AI学会了像人脑一样遗忘，可编程遗忘机制为边缘AI计算“大减负”

近期，大减负美国俄勒冈州立大学（Oregon State University）科研团队成功研发出一种新型成像传感器。学会像人该器件不仅具备在探测光线的脑样同时存储近期光照信息的能力，更创新性地引入了按需“遗忘”机制。遗忘这一突破旨在解决传统计算架构中的可编数据搬运瓶颈，为边缘人工智能（Edge AI）设备的程遗视觉系统带来能效革命。

类脑机制：电压调控下的忘机“记忆”与“遗忘”

受人类大脑突触可塑性机制的启发，研究人员设计了一种能够模拟神经递质行为的边缘硬件结构。该传感器利用有机层捕获光生空穴，计算并通过外部电压精准调节信息的大减负保持时长：

• 正电压：加速空穴释放，实现信息的学会像人快速“遗忘”；
• 负电压：锁定空穴，将记忆时长延长至小时级。脑样

这种机制使得同一硬件单元能够根据视觉任务的遗忘需求，灵活适配不同的可编记忆窗口，实现了从瞬时感知到长期记忆的程遗动态切换。

架构革新：光电分离与存算一体

该传感器之所以能大幅降低能耗，核心在于其独特的光电协同调制架构。通过有机吸光层与氧化铟镓锌（IGZO）晶体管的组合，实现了功能分离：

1. 光吸收：由有机层负责，将光子转化为电荷。
2. 电荷输运：由IGZO沟道负责，处理电信号传输。

这种设计省去了传统“传感器-内存-处理器”架构中频繁的数据传输需求，直接在传感器端完成部分基础计算。正如俄勒冈州立大学助理教授 Larry Cheng 所言：“传统相机捕捉图像后，除非将信息传输到单独存储组件，否则会立即遗忘。而我们的设备不仅能识别和记住图像，更能逐渐遗忘，这是其关键特性。”

图丨相关论文（来源：Advanced Functional Materials）

解决冯·诺依曼瓶颈：从“逐帧分析”到“变化记录”

在传统的冯·诺依曼架构中，存储与处理单元分离导致的“存储墙”问题，严重限制了计算速度和能效。传统AI视觉系统通常依赖算法逐帧分析视频流以检测运动，而新型传感器则利用硬件自身的短时记忆，直接记录环境的光强变化历史。

动态记忆时长的智能适配

传感器“记住”物体的时间与其运动速度呈规律性变化，从而实现能效与性能的平衡：

• 高速目标（如无人机）：运动速度快，传感器仅需记录极短时间的轨迹，通过快速“遗忘”减少数据冗余。
• 低速/静止目标（如门铃监控）：运动速度慢或需识别徘徊者，传感器延长记忆时间，保留更长时间的光强变化序列。

这种可编程的记忆机制，让单个传感器即可胜任从高速跟踪到慢速监控的多样化任务，同时优化响应速度与能耗。

（来源：https://engineering.oregonstate.edu/people/larry-che）

极致低功耗：弱光成像与硬件验证

实验数据显示，该新型传感器在能效方面表现卓越：

• 超低功耗：有效工作光强低于 5μW·cm⁻²。
• 弱光成像：支持 0.5μW·cm⁻²的弱光有效成像，比此前同类有机器件性能高出两个数量级以上。

Larry Cheng 指出：“商用相机需不断在传感器、存储和处理器间传输数据，运行图像识别算法极其耗能。直接在传感器上进行基础处理，有望大幅降低能耗需求。”

（来源：俄勒冈州立大学）

技术原理：IGZO与有机半导体的完美耦合

研究人员制造的原型设备为一个 4×4 像素阵列，体积仅如U盘大小。其核心材料组合如下：

1. 透明有机吸光层：位于阵列顶部，将入射光转化为电子和空穴。
2. IGZO 晶体管沟道：对可见光透明，不吸收光线，确保电信号传输与光敏功能互不干扰。IGZO材料具有漏电流极低、电荷传输速度快、适合大面积制造等优势。

工作机制详解：
当光子照射时，产生的空穴被困在有机半导体的孤立聚集体中（受能垒限制）。即使光照停止，这些空穴仍通过静电作用调制IGZO沟道，从而保留最近的光照信息。

• 记忆增强/保持：施加负电压，将空穴拉近沟道，减缓衰减，记忆可保持数小时（实验显示在-0.5V栅压下，电导保持超过5,000秒）。
• 记忆抑制/遗忘：施加正电压，将空穴推离沟道，加速衰减。

这种极性可控的切换，在单一器件内实现了增强、保持、抑制三种状态的编程。

（来源：Advanced Functional Materials）

神经网络验证与未来展望

为验证其计算能力，研究团队将器件特性参数导入人工神经网络模型，对手写数字数据集 MNIST进行分类训练。结果显示：

• 线性度良好：器件模拟的突触权重更新表现优异。
• 高准确率：在数百次训练周期后，无噪声高分辨率条件下的分类准确率超过 90%。
• 高容错性：对硬件中常见的参数波动表现出良好的鲁棒性。

目前，该技术仍处于器件验证阶段。未来，研究团队计划将像素阵列扩展至更大规模，并开发集成成像原型，进一步探索实时成像与传感器端处理能力的深度融合。

参考资料：

1. https://doi.org/10.1002/adfm.75942
2. https://spectrum.ieee.org/hybrid-phototransistor
3. https://news.oregonstate.edu/news/new-digital-memory-device-inspired-human-brain-may-improve-ai%E2%80%99s-energy-efficiency

排版：胡巍巍

注：封面/首图由AI辅助生成

(责任编辑：综合)