澳大利亞皇家墨爾本理工大學(RMIT University)的研究團隊開發出一款先進的類腦神經形態設備，該設備能夠模擬人腦處理信息的方式。這一緊湊型系統無需依賴外部計算機，即可實時檢測手勢動作、存儲記憶并處理視覺數據。

　　該設備的問世為高級機器人技術、自動駕駛汽車以及下一代無縫人機交互系統的發展鋪平了道路。RMIT 大學教授兼團隊負責人蘇米特・瓦利亞(Sumeet Walia)表示：“這款概念驗證設備模擬了人眼捕捉光線以及大腦處理視覺信息的能力，能夠在瞬間感知環境變化并形成記憶，無需消耗大量數據和能量。”

　　神經形態視覺與信息處理是當前快速發展的前沿領域，旨在開發更智能、更高效的計算與感知系統。其中，脈沖神經網絡(SNNs)是一種關鍵方法，其工作原理類似于真實腦細胞，通過觸發信號(即“脈沖”)來傳遞信息。一種常見的模型是漏電積分-發放(LIF)模型，在該模型中，電信號不斷累積，直至達到一定閾值后觸發脈沖并重置系統，與真實神經元的行為高度相似。

　　盡管已有多種光敏材料被用于基礎類腦功能測試，但精準復制完整的 LIF 行為，尤其是系統存儲和重置電狀態的方式，并將其應用于視覺任務，仍然是一個新興且有待深入探索的領域。RMIT 的研究人員將神經形態材料與先進信號處理技術相結合，開發出能夠實時捕捉和處理視覺信息的設備。該技術的核心是二硫化鉬(MoS₂)，這是一種具有原子級缺陷的金屬化合物，能夠像人腦中的神經元一樣檢測光線并將其轉化為電信號。

　　這項新研究表明，通過化學氣相沉積技術制造的超薄 MoS₂層能夠模擬腦細胞的充放電過程，與漏電積分-發放(LIF)神經元模型高度一致。這些超薄層對光線的響應方式使其能夠復制真實神經元的電行為，通過調節柵極電壓，系統能夠快速重置自身，從而提高響應速度，類似于真實大腦的工作方式。

　　研究人員利用 MoS₂的關鍵光響應特性構建了脈沖神經網絡(SNN)，該模型在經過 15 次訓練后，在靜態圖像任務中的準確率達到了 75%，在經過 60 次訓練后，在動態任務中的準確率達到 80%，展現出強大的實時視覺處理潛力。在實驗中，該設備通過邊緣檢測技術檢測手勢動作，避免了逐幀捕捉，從而減少了數據和能耗。隨后，設備將這些變化存儲為記憶，模擬了大腦的功能。這項研究在可見光范圍內展開，進一步拓展了此前在紫外光譜領域的研究成果。

　　RMIT 的博士研究生、該研究的第一作者蒂哈・昂(Thiha Aung)表示：“我們證明了原子級薄的二硫化鉬能夠精準復制漏電積分-發放(LIF)神經元行為，這是脈沖神經網絡的基本構建模塊。”

　　據研究團隊介紹，此前基于紫外光的研究主要集中在靜態圖像檢測、記憶和處理方面。而紫外光和可見光設備均具備重置記憶的功能，以便為新任務做好準備。

　　該創新技術有望顯著提升自動駕駛汽車和高級機器人對視覺輸入的響應能力，尤其是在高風險或快速變化的環境中。通過瞬間檢測場景變化并最小化數據處理需求，該技術能夠實現更快、更高效的反應，同時也將增強人機交互在制造業或個人輔助等領域的應用。

　　目前，研究人員正在將單像素原型擴展為更大的基于 MoS₂的像素陣列，并得到了新的研究資金支持。未來計劃包括優化設備以應對更復雜的視覺任務、提高能效以及將其與傳統數字系統集成。

　　此外，研究團隊還在探索其他材料，以拓展設備在紅外光范圍內的能力，用于排放追蹤和智能環境感知等應用。該團隊的研究成果已發表在《先進材料技術》(Advanced Materials Technologies)期刊上。