1.研究背景

随着人工智能和物联网（IoT）技术的飞速发展，对生活带来便利的同时也暴露出了基于冯·诺伊曼的传统计算架构因为存储与计算单元之间存在物理屏障而导致的对日益庞大的数据量和能耗巨大的应对不足的问题。光作为现代信息传输的主要媒介之一，因其具有高速传输能力和高安全性而备受青睐。然而基于传统光探测器的探测系统仅能实现对光信息的探测缺乏对信息的基本处理能力，在数据量日益增加和处理能力要求更高的未来将被淘汰。因此，开发出一种兼具探测和信息处理能力的新型光探测系统被视为下一代信息技术的关键。

2.研究成果

近日，山东大学王天宇研究员、孟佳琳研究员联合中北大学雷程副教授研究团队提出了一种集成感知、存储和计算的近传感神经形态计算系统。研究成果以“Near-Sensor Neuromorphic Computing System based on Thermopile Infrared Detector and Memristor for Encrypted Visual Information Transmission”为题发表在国际著名期刊Nano Letters上，山东大学集成电路学院研究生王政为本文的第一作者，山东大学集成电路学院王天宇研究员、孟佳琳研究员与中北大学雷程副教授为论文共同通讯作者。

该系统由能够探测近红外波段光信息的热电堆红外探测器阵列和被视作实现类脑计算的有力候选者的忆阻器阵列组成。该系统通过热电堆红外探测器阵列捕捉红外波段信号，后产生响应电压被输入至忆阻器阵列内进行产生电导值，并在这一过程完成权重更迭。基于该系统，作者首先以经过该系统的降噪预处理后，对MNIST 数字的识别率由84.26%提升至98.63%，证明了该系统具备高精度视觉神经形态计算能力，后基于该系统和软硬件结合的卷积神经网络（CNN）设计了一种区别于主流的信息加密传输方式，并成功演示了应用场景。

3.图文导读

图1. 近传感神经形态计算系统的结构和工作原理。

图2. 基于近传感神经形态计算系统的信息加密传输与识别。

图3. 基于热电堆红外探测器的近传感系统信息安全加密传输和计算的应用演示。

4.总结

综上所述，研究者提出了一种由热电堆红外探测器阵列和忆阻器阵列所组成的近传感神经形态计算系统。其中，热电堆红外探测器展示出了较宽的检测范围和快速响应能力。忆阻器展示出了优异的保持性、耐受性和神经形态计算能力。研究者开发了一种用于手写数字识别的人工神经网络，通过热电堆红外探测器的去噪处理，将准确率从84.27%提高到98.63%。研究者利用近传感器神经形态计算系统进行加密密码传输和语音激活安全访问，展示出了高精度信息传输和加密的巨大潜力。

文献链接： https://doi.org/10.1021/acs.nanolett.5c01843