澳大利亚皇家墨尔本理工大学（RMIT University）的一项突破性研究为人工智能领域带来了全新视角。该校的研究团队成功开发出一款先进的类脑神经形态设备，该设备能够模仿人类大脑处理信息的方式，无需依赖外部计算机，即可实时执行多项复杂任务。
这款设备不仅能够实时检测手势动作，还能存储记忆并处理视觉数据，为高级机器人技术、自动驾驶汽车以及下一代无缝人机交互系统的发展开辟了新的道路。RMIT大学的苏米特·瓦利亚教授作为团队负责人表示，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，具备即时感知环境变化并形成记忆的功能，且能耗极低。
神经形态视觉与信息处理是当前科技界的前沿领域，旨在创造更加智能和高效的计算与感知系统。脉冲神经网络（SNNs）作为该领域的关键技术，其工作原理与真实脑细胞相似，通过触发信号（即“脉冲”）传递信息。其中，漏电积分-发放（LIF）模型是一种重要的神经元模型，在该模型中，电信号不断累积直至达到一定阈值后触发脉冲并重置系统。
尽管已有多种光敏材料被用于基础类脑功能测试，但精准复制完整的LIF行为并将其应用于视觉任务仍是一大挑战。RMIT的研究人员通过将神经形态材料与先进信号处理技术相结合，开发出了能够实时捕捉和处理视觉信息的设备。该技术的核心在于二硫化钼（MoS₂），这是一种具有原子级缺陷的金属化合物，能够像人脑中的神经元一样检测光线并将其转化为电信号。
研究表明，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，与漏电积分-发放（LIF）神经元模型高度一致。这些超薄层对光线的响应方式使其能够复制真实神经元的电行为，通过调节栅极电压，系统能够快速重置自身，从而提高响应速度。
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）。该模型在经过训练后，在静态图像任务中的准确率达到了75%，在动态任务中的准确率达到80%，展现出强大的实时视觉处理潜力。该设备通过边缘检测技术检测手势动作，避免了逐帧捕捉，从而大幅减少了数据和能耗。随后，设备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表示：“我们证明了原子级薄的二硫化钼能够精准复制漏电积分-发放（LIF）神经元行为，这是脉冲神经网络的基本构建模块。”这一研究成果不仅拓展了此前在紫外光谱领域的研究，还在可见光范围内取得了重要进展。
据研究团队介绍，此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。而这款设备无论是基于紫外光还是可见光，都具备重置记忆的功能，以便为新任务做好准备。这一创新技术有望显著提升自动驾驶汽车和高级机器人对视觉输入的响应能力，尤其是在高风险或快速变化的环境中。
目前，研究人员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。未来，他们计划进一步优化设备以应对更复杂的视觉任务、提高能效，并将其与传统数字系统集成。研究团队还在探索其他材料，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。
