基于 2D 材料的神经形态设备实现的高级 AI 计算

快速阅读: 《Nature.com》消息，基于光敏忆阻器和二维亚阈值晶体管的脉冲神经元提升了自动驾驶的障碍物检测能力。该系统能高效处理数据，模拟生物神经元行为，具有高能量效率和快速响应时间。它能在不同威胁级别下调整脉冲活动，实现精准交互，增强车辆的碰撞检测与动态应对能力。

利用光敏忆阻器并基于二维亚阈值晶体管（2D-ST）构建的脉冲式神经元，已成为神经形态视觉领域的关键突破，在提升自动驾驶车辆实时障碍物检测能力方面尤为显著。这类系统能够高效处理传感器和摄像头传输的数据，使车辆能够灵活应对道路状况、障碍物及交通情况的变化。这种能力对保障无人驾驶汽车的能量效率和安全性至关重要，特别是在需要快速决策的场景中。

Thakar等人证明，2D-ST神经元能够模拟生物神经元的行为，例如蝗虫体内发现的Lobula巨运动检测器（LGMD），后者专门用于检测接近的物体（图6a）。仿生设计允许系统在刺激强度增强时高效记录脉冲，这一特性与自然界中神经元对逼近物体的反应一致（图6b）。当物体逐渐靠近时，脉冲频率随之增加，并在潜在碰撞前达到峰值，从而确保快速响应时间，这对于导航来说至关重要（图6c）。

此外，2D-ST系统展现出卓越的能量效率：每次检测到障碍物仅消耗约3.5皮焦耳，整体能耗低于100皮焦耳。这种高效率结合快速响应时间，使其成为适用于能量受限应用（如自动驾驶汽车）的理想选择。此外，如图6d所示，系统针对更高威胁级别的输入会生成更多的脉冲；而对于退缩的刺激，则保持高效脉冲活动的同时降低能耗，表明其具备适应多种环境条件的能力（图6e-g）。这种精准同步的仿生方法实现了神经形态核心与外部组件之间的无缝交互。借助实时脉冲传感器数据，这些系统显著提升了无人驾驶车辆检测碰撞并快速应对动态挑战的能力。

(以上内容均由Ai生成)