可调谐的类脑计算技术在动态多时间尺度感知与运动识别中的应用

《Cyborg and Bionic Systems》：Tunable Neuromorphic Computing for Dynamic Multi-Timescale Sensing in Motion Recognition

本研究基于二维锡硫属SnS?薄膜，设计了一种具备多时cales光响应特性的在传感器中计算（in-sensor reservoir computing）系统，通过调节光刺激强度和时长实现高速与低速运动的区分，结合机器学习模型实现运动类型100%准确分类，显著提升边缘计算效率。

　　在当今人工智能和智能设备快速发展的背景下，运动识别技术正逐渐成为提升机器感知能力的重要研究方向。尤其在区分高速与低速运动方面，这一技术不仅对硬件提出了更高要求，也对算法的灵活性和效率提出了挑战。传统上，运动识别依赖于数字传感器和高性能计算设备，通过复杂的机器学习模型来完成。然而，这类方法在实际应用中往往面临诸如硬件资源受限、数据处理速度不足以及计算能耗高等问题。此外，传统边缘计算系统由于采用了冯·诺依曼架构，其在处理动态变化的输入信号时表现出明显的局限性，特别是在实时性要求较高的场景下，无法有效应对多时间尺度的运动识别任务。

针对上述挑战，研究团队提出了一种基于SnS?（锡硫化物）的新型传感器内计算结构，即“in-sensor reservoir computing”（传感器内回溯计算）。该方法通过将计算过程直接嵌入到传感器中，实现对运动信号的高效处理。SnS?作为一种二维材料，具有独特的物理性质，例如宽禁带和高光吸收系数，使其在光电传感方面展现出卓越的性能。更重要的是，SnS?的内在缺陷或人工缺陷工程使其能够在不同的光刺激条件下动态调节其导电性，从而实现对不同时间尺度运动信号的精准识别。这一特性为开发具有灵活动态响应能力的运动识别系统提供了新的思路。

在实验中，研究团队通过化学气相沉积（CVD）技术成功合成了大面积的SnS?单层材料，并通过一系列精密的制造工艺将其制备为适用于运动识别的器件。具体而言，他们利用湿转移法将SnS?薄膜转移到清洁的硅基底上，随后通过电子束光刻和反应离子刻蚀等手段对器件进行结构优化。最终，SnS?器件在光响应特性上表现出显著优势，例如在短时间光照射下，其响应速度迅速，能够捕捉快速变化的时空特征；而在长时间光照射下，其光电响应具有类似突触可塑性的特性，可以模拟神经网络中的学习与记忆过程。这种灵活的光电响应机制使得SnS?器件能够在不同速度的运动识别任务中表现出色。

研究团队还对SnS?器件的光电特性进行了深入分析。通过实验测量，他们发现该器件在不同功率密度的光照射下，其光电流呈现出显著的非线性变化。例如，在低功率密度条件下，器件表现出较高的响应度（R）和较快的响应时间，而在高功率密度条件下，虽然光电流增强，但响应时间有所延长。这种特性为运动识别系统提供了更丰富的输入信号处理能力，使得系统能够根据运动速度动态调整其响应方式。此外，通过密度泛函理论（DFT）计算，研究团队进一步揭示了SnS?中硫空位等缺陷对光电响应的调控机制。这些缺陷能够捕获和释放光生载流子，从而影响器件的导电性，实现对不同时间尺度运动的识别。

在实际应用中，SnS?器件展现出了卓越的性能。研究团队利用该器件构建了一个基于回溯计算的运动识别系统，并通过实验验证了其在识别高速和低速运动时的准确性。例如，在处理来自Weizmann数据集的视频时，该系统能够通过调整光输入强度，有效区分奔跑、侧跳和行走等不同类型的运动。与传统神经网络相比，SnS?器件所支持的回溯计算方法在参数数量、计算效率和识别准确率方面均具有显著优势。例如，在相同的识别任务中，基于回溯计算的系统仅需约20,739个参数，而其他高性能神经网络如VGG11和LSTM则需要数百万甚至数千万个参数。这不仅降低了系统的计算成本，也提升了其在资源受限环境下的应用潜力。

此外，研究团队还探讨了该系统的稳定性问题。通过实验，他们发现SnS?器件在不同温度和湿度条件下仍能保持良好的电学响应和突触可塑性行为。这一特性使得该系统在实际部署中更具可行性。同时，研究团队还评估了系统的噪声鲁棒性，表明其在面对环境噪声干扰时仍能保持较高的识别准确率。这为该技术在复杂现实场景中的应用提供了重要保障。

值得注意的是，尽管SnS?器件在运动识别方面表现出色，但其在大规模应用中仍面临一些挑战。例如，随着器件面积的增大或密度的提高，材料的均匀性和制造工艺的可重复性可能成为影响系统性能的关键因素。因此，未来的研究需要进一步优化CVD生长过程，以提高SnS?薄膜的质量和一致性。同时，为了适应更高复杂度和更高分辨率的数据集，研究团队还建议开发适用于高分辨率数据的预处理技术，并探索基于SnS?的多层或分层回溯计算架构，以提升系统的扩展性和适应性。

总的来说，这项研究为运动识别技术提供了一种新的解决方案，特别是在处理多时间尺度运动时表现出色。基于SnS?的传感器内回溯计算系统不仅能够有效识别不同速度的运动，还具备较低的计算资源消耗和较高的识别准确率。这种技术有望在未来的人工智能系统中发挥重要作用，特别是在边缘计算和实时感知领域。通过结合先进的材料科学与计算方法，研究团队为实现更加高效、灵活和可扩展的运动识别系统奠定了坚实基础。