仿脑光传感器有望显著加速AI图像处理效率
俄勒冈州立大学研发的仿脑光传感器能同时感知与存储图像，通过可调节记忆时长实现渐进式遗忘。该器件在4×4像素阵列上验证，可降低能耗、提升处理速度，适用于无人机视觉等AI场景。
人脑的工作机制，正在悄悄改变AI视觉的处理方式。这么说吧，现在出现了一种新的图像传感器，它不仅能看、能记，还能主动“遗忘”那些不再需要的数据——这对机器人视觉的效率提升，或许是个不小的突破口。
我们先看看那些传统的数字相机，它们普遍依赖CMOS或CCD这类器件。说白了，它们的工作就是把光子转成电子信号，但问题在于，它们自己记不住图像信息，数据得先转移到独立的存储单元，才能做进一步处理。这个搬来搬去的过程，能耗不低，效率也受限。
俄勒冈州立大学电气工程与计算机科学教授拉里·程（Larry Cheng）的一番话，点出了关键区别：“传统相机传感器在捕捉图像后会立即‘遗忘’，除非把信息传到单独的存储组件。而我们这个器件，不仅能‘看’，还能‘记住’，甚至能慢慢‘遗忘’。”他强调，这种渐进式的遗忘，不是缺陷，而是整个设计里不可或缺的一环。
上个月，拉里·程和团队成员在《先进功能材料》期刊上发表了详细的研究。这款器件本质上是光电晶体管，和以往那种逐帧分析视频流来识别运动目标的AI算法不同，它直接存储照射到表面的光强变化历史，自己就能标记出那些规律性的变化。更重要的是，记忆持续时长可以按需调整。举个例子，以每小时250公里飞行的无人机，只需记录短暂的变化轨迹；而盯着门口有没有可疑人员的门铃摄像头，则需要更长的记忆序列。
拉里·程解释说：“记忆时间尺度的可调节性，是我们这个方案的核心优势。同一个传感器，能适配不同的AI视觉任务，速度和能效都能得到提升。”另一个值得注意的优点是，直接在传感器端完成基础处理，有望大幅降低能耗。毕竟，商用摄像机需要在传感器、存储设备与处理器之间频繁搬移数据，光是运行图像识别算法，耗电量就相当可观。
阵列结构
研究团队构建的原型器件是4×4像素阵列，尺寸大约和U盘差不多。阵列顶部覆盖了一层透明的有机光吸收材料，专门负责把入射光转化为电荷。
具体是怎么运作的呢？拉里·程解释，当光子打到光活性层时，会产生电子并形成空xue。电子被传输到底层的铟镓锌氧化物（IGZO）晶体管沟道中，而空xue，则是记忆功能的核心所在。
“由于光活性层中存在能量势垒，空xue会被困在孤立的有机半导体聚集体中。即便光线关闭，这些被困的空xue仍会持续以静电方式调制晶体管沟道，让器件保留住近期光照的记忆。”拉里·程说道。
电荷量会随时间慢慢衰减，但研究人员发现了一个巧妙的控制方法：向光活性层施加电压，就能改变记忆持续时长。施加正电压时，被困空xue会被推离晶体管沟道，削弱其作用，加速衰减——实现更快的“遗忘”；施加负电压时，空xue则被拉近沟道，减缓降解过程，让记忆保持数小时甚至更长时间。
“可调节的记忆机制，让同一器件能根据不同应用场景调整时间响应，从追踪快速变化的事件到存储较长期的视觉信息，都能实现。”他透露，这个有机光活性层的记忆特性，最初其实是意外发现的。
研究人员选用IGZO晶体管，是因为它对可见光透明，不会参与光吸收。“这样就把电学传输和光感知功能解耦了，后者由有机光活性记忆层单独负责。”拉里·程说。IGZO本身因电荷传输速度快、漏电流低，已被广泛应用于显示技术，且与大面积制备工艺兼容。两种材料结合，每个像素就能在单一器件内同时实现光探测和近期光照记忆的存储。
拉里·程表示，整个器件的工作原理，其实就是在模仿人脑——晶体管中的电荷，好比神经递质多巴胺，后者能增强突触间的连接强度，从而巩固记忆。
“我们目前的工作在器件层面验证了这一概念，并做了简单的成像演示。下一步是把技术扩展到更大规模的像素阵列，开发集成成像原型，展示实时时序成像与片上传感器处理能力。希望在不久的将来能实现这些目标。”他这样展望。
Q&A
Q1：这款仿脑光传感器和传统相机传感器有什么区别？
A：传统相机传感器（如CMOS或CCD）捕获图像后无法自行存储，数据必须转移到独立存储单元才能处理，能耗较高。而这款新型光电晶体管传感器可以同时完成光线感知与数据存储，无需频繁在传感器、存储和处理器之间搬移数据，能够显著降低能耗并提高处理速度，更适合AI视觉任务。
Q2：这款传感器的“渐进式遗忘”功能是如何实现的？
A：传感器的记忆功能依赖于有机光活性层中被困的空xue。光线关闭后，空xue仍持续调制晶体管沟道，维持光照记忆。通过向光活性层施加不同电压，可控制记忆时长：正电压加速空xue衰减，实现快速遗忘；负电压减缓衰减，使记忆保持数小时甚至更长。这种可调节机制使传感器能适应不同应用场景的需求。
Q3：这款光传感器目前处于什么研发阶段，未来有哪些应用方向？
A：目前研究团队已在器件层面完成概念验证，构建了约U盘大小的4×4像素阵列原型，并进行了简单成像演示。下一步计划将技术扩展至更大规模像素阵列，开发集成成像原型，实现实时时序成像与片上传感器处理。潜在应用包括无人机视觉、门铃摄像头等对速度和能效要求较高的AI视觉场景。
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：仿脑光传感器有望显著加速AI图像处理效率要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点据行业媒体报道，专注于手部动作捕捉领域的明星企业StretchSense，近日完成了760万美元的A轮融资。本轮融资由总部位于苏格兰的Par Equity领投，老股东GD1（新西兰风投）以及苏格兰国家经济发展机构Scottish Enterprise也参与了跟投。虽然此次融资规模不算庞大，但对于一家
深入探索人工智能推理引擎的巅峰对决，全面解析Ollama与vLLM的核心技术优势。 本文要点： Ollama与vLLM在大语言模型推理框架中的关键角色 Ollama的技术架构设计及其在用户体验与本地化部署方面的突出表现 vLLM与Ollama在计算效率、推理准确度及实际应用场景中的详细对比 在人工智
其实人工智能早已悄然融入日常生活的方方面面，但依然有不少人觉得它“高深莫测”。任何复杂的技术，归根结底都建立在基础原理之上。在人工智能领域，流传着十大经典算法，它们原理直观、很早就被提出并付诸实践，甚至在中学课堂上就有所接触，生活中也随处可见这些算法的影子。 1 线性回归 线性回归（Linear
传统的深度学习技术始终面临一道门槛——需要海量图像才能启动训练，且计算资源消耗极高。但并非每个工业场景都需要如此精细的分辨率。康耐视的边缘学习技术提供了一条更轻便的路径：用更少的样本就能快速完成模型学习，甚至无需依赖GPU。自动化视觉检测对于提升制造速度与准确性至关重要，深度学习无疑是优秀方案。然而
- 日榜
- 周榜
- 月榜
热点快看