基于动态自适应激活神经元晶体管的先进驾驶辅助系统动态稀疏神经网络研究

为解决传统神经形态器件静态阈值激活导致的生物神经元动态稀疏特性模拟困难问题，研究人员开发出基于非对称电极和氧化铟镓锌(IGZO)薄膜的动态自适应激活神经元晶体管。该器件通过栅极电压或紫外辐照实现类生物神经元的动态激活特性（激活时间65 ms–13.5 s，阈值2.5–7.7 V可调），并构建支持原位哈达玛权重剪枝/再生的动态稀疏脉冲神经网络(DS-SNN)。应用于自动驾驶目标检测时，仅需≈80k参数即实现85%准确率（稀疏度42%），显著优于稠密卷积/脉冲神经网络（320k/140k权重）。该硬件-算法协同设计为能效边缘计算电子器件开辟了新范式。

　　

这项突破性研究展示了如何通过创新器件设计突破冯·诺依曼瓶颈。科研团队巧妙利用非对称电极结构和氧化铟镓锌(IGZO)薄膜，打造出能模拟生物神经元动态特性的"智能开关"。这种神经元晶体管就像具备学习能力的"电子突触"，既可通过电信号(栅极电压)调控，又能响应环境刺激(UV辐照)，实现从65毫秒到13.5秒的宽范围激活延时调节，阈值电压更可在2.5-7.7V之间灵活设定。

基于该器件构建的动态稀疏脉冲神经网络(DS-SNN)展现出惊人效率：采用类似大脑的"用进废退"机制，通过哈达玛变换实现权重矩阵的实时优化，在自动驾驶目标检测任务中，仅用传统神经网络1/4的参数量就获得85%的识别准确率。这种"电子神经系统"的功耗表现尤为亮眼，其稀疏激活特性使运算冗余降低42%，为车载边缘计算设备提供了理想的轻量化解决方案。

研究最引人入胜之处在于硬件与算法的协同进化——器件特性直接启发了网络架构创新，而神经网络的需求又反哺器件优化。这种双向赋能模式为三维集成的大规模神经形态处理器发展指明了方向，未来或将在智能假肢、脑机接口等生物医学工程领域产生深远影响。