澳大利亞皇家墨爾本理工大學（RMIT University）的一項突破性研究為人工智能領域帶來了全新視角。該校的研究團隊成功開發出一款先進的類腦神經形態設備，該設備能夠模仿人類大腦處理信息的方式，無需依賴外部計算機，即可實時執行多項復雜任務。

這款設備不僅能夠實時檢測手勢動作，還能存儲記憶并處理視覺數據，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開辟了新的道路。RMIT大學的蘇米特·瓦利亞教授作為團隊負責人表示，這款概念驗證設備模擬了人眼捕捉光線及大腦處理視覺信息的能力，具備即時感知環境變化并形成記憶的功能，且能耗極低。

神經形態視覺與信息處理是當前科技界的前沿領域，旨在創造更加智能和高效的計算與感知系統。脈沖神經網絡（SNNs）作為該領域的關鍵技術，其工作原理與真實腦細胞相似，通過觸發信號（即“脈沖”）傳遞信息。其中，漏電積分-發放（LIF）模型是一種重要的神經元模型，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。

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行為并將其應用于視覺任務仍是一大挑戰。RMIT的研究人員通過將神經形態材料與先進信號處理技術相結合，開發出了能夠實時捕捉和處理視覺信息的設備。該技術的核心在于二硫化鉬（MoS?），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。

研究表明，通過化學氣相沉積技術制造的超薄MoS?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。

在實驗中，研究人員利用MoS?的關鍵光響應特性構建了脈沖神經網絡（SNN）。該模型在經過訓練后，在靜態圖像任務中的準確率達到了75%，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。該設備通過邊緣檢測技術檢測手勢動作，避免了逐幀捕捉，從而大幅減少了數據和能耗。隨后，設備將這些變化存儲為記憶，模擬了大腦的功能。

RMIT的博士研究生蒂哈·昂作為該研究的第一作者表示：“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。”這一研究成果不僅拓展了此前在紫外光譜領域的研究，還在可見光范圍內取得了重要進展。

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。而這款設備無論是基于紫外光還是可見光，都具備重置記憶的功能，以便為新任務做好準備。這一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。

目前，研究人員正在將單像素原型擴展為更大的基于MoS?的像素陣列，并已獲得新的研究資金支持。未來，他們計劃進一步優化設備以應對更復雜的視覺任務、提高能效，并將其與傳統數字系統集成。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。