近日，我院巫晓敏副教授课题组在人工智能感知与类脑视觉计算领域取得重要研究进展。课题组基于Ta₂O₅/PDVT-10-CsPbBr₃量子点结构构建人工视觉神经元，实现了无需外部偏压驱动的光学Leaky Integrate-and-Fire（LIF）脉冲行为，可在静态场景下保持低功耗状态，并直接将光强变化转化为稀疏脉冲信号，从源头降低冗余数据，通过电调控器件实现类似大脑皮层的神经调控与学习能力。相关成果以“Multi-Mode Artificial Vision Neurons for High Precision Image Recognition”为题发表于国际知名期刊《Advanced Functional Materials》。

随着边缘人工智能、智能机器人和自动驾驶等技术快速发展，传统机器视觉系统持续采集和传输大量图像数据，面临带宽占用高、能耗大和响应延迟等问题。神经形态视觉借鉴生物视觉系统的信息处理机制，通过脉冲方式对有效视觉信息进行稀疏编码，为构建低功耗、高效率的机器视觉系统提供了新的技术路径。

针对现有人工视觉神经元通常依赖外加偏压及外围驱动、读出电路等问题，课题组开发了一种可重构多模式人工视觉神经元，在单一光电器件中实现了类视网膜感知编码与类大脑皮层神经处理功能的融合。该器件可在无外加偏压条件下实现光学泄漏积分-发放（LIF）行为，在静态场景下保持近乎静默，并能够将光强变化直接转化为时间稀疏的脉冲信号，从信息源头减少冗余数据产生。同时，器件还具有光电协同调控特性，可通过光照调节神经元阈值和脉冲发放行为，实现多模式视觉信息处理。 

图1：基于人工视觉神经元的视觉感知系统网络结构示意图

在此基础上，课题组进一步构建了人工视觉感知系统模型。通过将不同灰度像素映射为不同光强，并利用光强依赖的首次脉冲发放时间进行排序编码，实现图像信息的时序化表达。视觉神经元阵列既可作为前端感知和脉冲编码层，也可作为学习神经元层参与神经网络训练。基于器件实验特性开展的系统仿真显示，该视觉感知系统在MNIST、Fashion-MNIST和CIFAR-10 数据集上的识别准确率分别达到99.6%、91.2%和93.5%，展现出良好的图像分类和识别能力。研究结果为构建集“感知—编码—处理”于一体的神经形态视觉系统提供了新的器件思路，并为面向边缘智能的低延迟、低功耗、常开型机器视觉硬件提供了新的实现路径。

图2：(a) 基于人工视觉神经元的视觉感知系统网络结构示意图；(b) 人工视觉神经元的排序编码；(c) Fashion-MNIST数据集识别混淆矩阵；(d) Fashion-MNIST数据集识别迭代图；(e) 阈值超参数调整后系统对其他数据集的识别结果。

福建师范大学为论文第一完成单位，我院巫晓敏副教授为第一作者，福州大学陈惠鹏教授为通讯作者。该研究获得了国家自然科学基金及福建省自然科学基金等项目支持。

论文链接：https://doi.org/10.1002/adfm.76532