随着智能感知与边缘计算的快速发展，传统基于CMOS传感器的视觉系统在处理效率与能耗方面面临严峻挑战。现有架构中，感知、存储与计算单元彼此分离，数据频繁搬移，导致系统复杂度提升，延迟与功耗显著增加。为突破这一瓶颈，视觉神经形态计算架构逐渐兴起，其核心是在传感器层面融合光学感知与初步处理功能，实现输入数据的本地实时预处理。其中，神经元与突触器件是实现信息编码、权重调控与计算的关键单元。在基于脉冲神经网络（SNN）的框架下，泄漏-积分-发放（LIF）神经元因硬件兼容性强、支持稀疏事件驱动编码而备受关注。然而，现有光电LIF神经元受限于结构与材料体系，难以充分模拟生物神经元的动态行为。同时，神经元器件通常需要具备易失性的短时动态响应特性，而突触器件则强调非易失性权重存储功能，两类器件在材料与工艺层面的兼容性不足，进一步增加了系统集成难度，成为制约高效神经形态视觉系统发展的关键瓶颈。

针对上述问题，北京大学杨玉超教授、陶耀宇研究员团队联合北京交通大学张小娴教授、王永生教授团队，利用二维材料MoS₂的良好光电响应与可集成性，以及HZO铁电体的非易失存储特性，探索了一种同质集成解决方案。在器件层面，团队构建了基于MoS₂光电晶体管的光电LIF神经元，通过光生电荷俘获-去俘获机制与短路放电通道，实现多光谱感知、无电容积分、阈值触发及自动复位等神经元功能。同时，开发了基于MoS₂铁电场效应晶体管（FeFET）的人工突触器件，实现可调记忆窗口与稳定的多级非易失存储。

图1基于MoS₂同质集成的视觉神经形态计算系统

在系统验证层面，研究团队实现了神经元与突触器件的同质集成，将神经元电路与MoS₂器件阵列结合，构建了面向光电SNN的传感器内计算架构。该系统中，光信号由光电晶体管（PT）阵列感知，经神经元编码为脉冲后输入铁电突触（FeFET）阵列完成乘累加（MAC）运算，实现端到端神经形态处理。基于该平台的RGB颜色分类任务仿真准确率达到91.7%，验证了其在视觉感知计算中的应用潜力。

图2用于光电SNN的MoS₂同质集成神经元-突触阵列

除基础色彩识别外，研究团队进一步将提出的视觉神经形态系统拓展至自动驾驶等复杂机器视觉场景。在多噪声道路环境中，系统通过光电LIF神经元将环境图像转换为脉冲序列，并采用首脉冲时间（TTFS）与速率编码相结合的混合策略，实现快速响应与鲁棒性的兼顾。编码后的脉冲信号输入脉冲神经网络模型完成特征提取与分类判断。最终，系统在测试集上实现了93.5%的目标检测准确率，表明该平台具备处理真实复杂场景的能力。

上述结果为构建高性能、可扩展的视觉神经形态系统提供了新的设计范式。

图3视觉神经形态系统在辅助驾驶场景中的目标识别验证

相关成果以“Homogeneous integration of two-dimensional material-based optoelectronic neurons and ferroelectric synapses for neuromorphic vision”为题，发表于《自然∙通讯》（Nature Communications）。北京大学与北京交通大学物理科学与工程炸金花 联合培养博士生王嘉融、北京大学博士后刘柯钦和北京大学博士生张柏骏为该论文共同第一作者。炸金花-炸金花在线游戏平台 杨玉超教授、陶耀宇研究员与北京交通大学物理科学与工程炸金花 张小娴教授、王永生教授为通讯作者。该工作得到了新基石研究员项目、国家重点研发计划、国家自然科学基金、广东省存算一体芯片重点实验室、深圳市重点产业研发计划、北京市自然科学基金等项目的资助。

论文链接：//www.nature.com/articles/s41467-026-68905-3?utm_source=rct_congratemailt&utm_medium=email&utm_campaign=oa_20260318&utm_content=10.1038/s41467-026-68905-3