在尖峰神經網絡(SNNs)工作過程中，需要將真實世界的模擬信息實時轉換為編碼的電脈沖信號。此類人工神經元傳感器的設計和制備仍面臨挑戰。本研究采用閾值開關(TS)憶阻器和二階RC塊構成的穩定神經元電路，提出了一種SNN兼容的尖峰模式傳感器，將模擬電流信號直接轉換為實時編碼的尖峰信號，實時傳送給SNNs。這種設計可以實現無時間延遲的尖峰發射，在低電壓下工作，并提供較寬的信號響應范圍，實現多種脈沖編碼策略。 01 圖1給出尖峰模式傳感器的結構，包括傳統的電流模式傳感單元，如光電探測器，以及神經元電路。這些電流模式傳感器產生電流信號，其強度與外部刺激的強度相關。隨后，神經元電路將該電流轉換為編碼的尖峰信號，并與SNN網絡無縫對接。因此，尖峰模式傳感器具有同時接收環境刺激和編碼電脈沖的能力。 圖1 生物感覺器官與脈沖模式傳感器 神經元電路包括電流模式傳感器， RC振蕩部分(Csum, Rin)，TS憶阻器作為閾值開關，能量供應模塊(Vdd, Rs)和輸出部分(Cc, Route)。傳統傳感器產生輸入電流(It)，其強度與信號強度相關。神經元回路產生一個尖峰序列作為輸出。采用電流模式操作使神經元電路具有良好的特性，如強大的抗干擾能力、擴展的傳播距離以及與物理環境的兼容性。（圖2） 圖 2基于TS記憶器的電流模式神經元傳感電路 與傳統1C1R電路相比，本文的脈沖傳感加入了二階RC本分并通過電流模式輸入信號，從而使器件能夠在較低電位下工作。如圖3所示，與1C1R電路相比，我們提出的電路在尖峰放電中沒有表現出明顯的延遲。這些結果強調了我們的神經元電路在準確編碼SNN信息方面的優勢。 圖3 脈沖傳感對連續信號的穩定無延遲響應 通過采用本研究中的人工感覺神經元作為SNN輸入層用于圖像訓練和識別任務，我們在MNIST數據集上實現了87.58%的識別準確率，展現了神經編碼的可靠性。我們的研究結果強調了人工感覺神經元作為物理環境和SNN框架之間的關鍵接口的應用潛力。（圖4） 圖4 尖峰模式傳感器作為SNN的輸入層應用于數字圖像識別 本文還提供了該電路的解析分析方法和SPICE模型。 02 李德力，福建師范大學，副教授。 研究方向： 鈣鈦礦太陽能電池和憶阻器 半導體器件物理，理論物理 楊思邈，福建師范大學（碩士研究生），中國先進技術研究院（博士）
