人类视觉神经元依靠事件驱动的高能效尖峰进行通信，而硅图像传感器则不然。生物系统和机器视觉技术之间的能量预算不匹配激发了用于尖峰神经网络（SNN）的人工视觉神经元的发展。然而，缺乏多路复用数据编码方案降低了SNN中人工视觉神经元模拟生物系统视觉感知的能力。鉴于此，来自西湖大学的朱博文博士、西安电子科技大学的王宏副教授等人研究出了一种人工视觉尖峰神经元，它能够对外部视觉信息进行速率和时间融合（RTF）编码。

文章要点：

1) 该研究证实，人工神经元可以以不同的尖峰频率对视觉信息进行编码（速率编码），并实现精确且节能的首次尖峰时间（TTFS）编码，并且，这种多路感官编码方案可以提高人工视觉神经元的计算能力和效率；

2) 此外，研究表明，具有RTF编码方案的基于硬件的SNN与真实世界的地面实况数据表现出良好的一致性，并在复杂条件下实现了对自动驾驶车辆的高度准确的转向和速度预测，同时，多路RTF编码方案证明了开发高效基于尖峰的神经形态硬件的可行性。

参考资料：

Li, F., Li, D., Wang, C. et al. An artificial visual neuron with multiplexed rate and time-to-first-spike coding.  Nat. Commun. (2024).

DOI: 10.1038/s41467-024-48103-9

https://doi.org/10.1038/s41467-024-48103-9