神经形态视觉通过模拟生物视觉系统的信息感知与处理机制，可在源头实现视觉信息的稀疏编码与高效处理，在边缘智能、智能机器人和机器视觉等领域具有重要应用前景。目前，传统机器视觉系统通常依赖帧式图像采集和冯·诺依曼架构进行数据处理，连续获取和传输大量图像数据会带来较高的带宽需求、存储开销和能耗。现有人工视觉神经元虽然能够实现光感知与类神经脉冲响应，但多数仍依赖外加偏压、外围驱动及信号转换电路，增加了系统复杂度和能耗。此外，如何在单一器件中兼顾类视网膜视觉编码与类皮层神经信息处理，仍是实现高效端到端神经形态视觉的重要挑战。
近日，物理与能源学院巫晓敏副教授课题组针对人工视觉神经元中外部偏压依赖、感存算功能分离以及视觉信息编码效率等关键问题，构建了一种基于Ta₂O₅/PDVT-10-CsPbBr₃量子点异质结构的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脉冲编码与类大脑皮层神经动力学的融合。该器件能够在无外加偏压条件下实现光学泄漏积分-发放（LIF）行为，在静态光照下保持低响应状态，并可直接将光强变化转换为具有时间信息的稀疏脉冲，从源头减少冗余视觉数据。同时，器件表现出良好的光电协同调控特性，光照能够调节神经元的阈值电压及脉冲发放行为，不同光强可进一步编码为不同的首次脉冲发放时间，从而实现基于时序信息的视觉信号表达。
在此基础上，课题组进一步构建了人工视觉感知系统，将视觉神经元阵列同时用于前端脉冲编码和神经网络学习。通过光强依赖的首次脉冲时间编码，不同灰度像素被转换为具有先后顺序的脉冲序列，实现视觉信息的高效时序表征。基于器件实验特性开展的系统仿真结果表明，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%。该工作实现了视觉感知、脉冲编码与神经处理功能在器件层面的深度融合，为发展低延迟、低功耗的神经形态机器视觉和常开型边缘智能硬件提供了新的器件设计思路。
相关研究成果以“Multi-Mode Artificial Vision Neurons for High Precision Image Recognition”为题，发表于国际光学物理期刊《Advanced Functional Materials》。福建师范大学为论文第一完成单位，我校物理与能源学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。
基于人工视觉神经元的视觉感知系统网络结构示意图
论文链接：https://doi.org/10.1002/adfm.76532
（物理与能源学院）