澳大利亚皇家墨尔本理工大学（RMIT University）的研究团队近期取得了突破性的进展，成功研发出一款类脑神经形态设备。这款设备能够模仿人类大脑处理信息的方式，独立实时检测手势、存储记忆及处理视觉数据，无需依赖外部计算机。
RMIT大学的苏米特·瓦利亚教授领导的研究团队表示，这款概念验证设备模拟了人眼捕捉光线及大脑处理视觉信息的能力。它能够迅速感知环境变化并形成记忆，同时极大地节省了数据和能量。这项创新为高级机器人技术、自动驾驶汽车及下一代无缝人机交互系统的发展提供了新的契机。
神经形态视觉与信息处理是当前科技领域的前沿课题，旨在开发更加智能和高效的计算与感知系统。脉冲神经网络（SNNs）作为其中的关键方法，通过类似真实脑细胞的触发信号（即“脉冲”）传递信息。研究团队采用漏电积分-发放（LIF）模型，实现了电信号累积达到阈值后触发脉冲并重置系统的机制，与真实神经元的行为高度相似。
在材料方面，研究团队结合神经形态材料与先进信号处理技术，开发出了能够实时捕捉和处理视觉信息的设备。该技术的核心是二硫化钼（MoS₂），这是一种具有原子级缺陷的金属化合物，能够像神经元一样检测光线并将其转化为电信号。
研究显示，通过化学气相沉积技术制造的超薄MoS₂层能够模拟脑细胞的充放电过程，与LIF神经元模型高度一致。这些超薄层对光线的响应使其能够复制真实神经元的电行为。通过调节栅极电压，系统能够快速重置，从而提高响应速度，这一过程与大脑的工作方式类似。
在实验中，研究人员利用MoS₂的关键光响应特性构建了脉冲神经网络（SNN）。该模型在经过15次训练后，在静态图像任务中的准确率达到了75%；经过60次训练后，在动态任务中的准确率提升至80%，显示出强大的实时视觉处理能力。该设备通过边缘检测技术检测手势动作，避免了逐帧捕捉，显著减少了数据和能耗，并将这些变化存储为记忆，模拟了大脑的功能。
RMIT的博士研究生蒂哈·昂作为该研究的第一作者指出，他们证明了原子级薄的二硫化钼能够精准复制LIF神经元行为，这是构建脉冲神经网络的基本模块。研究团队还提到，之前基于紫外光的研究主要集中在静态图像检测、记忆和处理方面，而此次开发的设备在可见光范围内同样具备重置记忆的功能，为新任务做好准备。
该创新技术有望大幅提升自动驾驶汽车和高级机器人对视觉输入的响应能力，特别是在高风险或快速变化的环境中。通过快速检测场景变化并最小化数据处理需求，该技术能够实现更迅速、高效的反应，同时增强人机交互在制造业或个人辅助等领域的应用。
目前，研究团队正在将单像素原型扩展为更大的基于MoS₂的像素阵列，并已获得新的研究资金支持。他们正在探索优化设备以应对更复杂的视觉任务、提高能效以及将其与传统数字系统集成的方法。
研究团队还在研究其他材料，以拓展设备在红外光范围内的能力，用于排放追踪和智能环境感知等应用。他们的研究成果已在《先进材料技术》期刊上发表。
