神经形态电路在视网膜假体中的基础理论与应用研究及其移动检测试验

Electionic retina (or retinal prosthesis) is an important topic of neuromophic research, due to that vision is a key source of input signals for human and other higher animals dealing with environment. Biological vision signal is extremely complex, real-time information with excessive noises. Thus, extracting useful information to achieve fast, robust and energy-efficient computation within a complex environment becomes one of the bottlenecks in researches on artificial intelegence and neuromorphic circuits. It drives us to break through the traditional computer architecture and computing model, requiring in-depth and careful researches on fundamental theories and applications of neuromorphic circuits in retinal prosthesis. The goal of this project is to design complex and ultra-realistic electronic neuron models for different types of retinal neurons, and to build small-scale retinal neural networks, so that we can explore its mechanism and fundamental theory in noisy environment, and the feasibility of simulation using neuromorphic circuits. Especially we will try to apply this electronic retinal neural network on motion detections in a background, aiming to gradually build the application foundations for neuromorphic circuits in retinal prosthesis.

电子视网膜（或视网膜假体）是神经形态电路研究方面的一项重要课题，因为视觉是人类和大多数高等动物在环境中的输入信号的关键来源。真实的视觉信号是一个极其复杂的、实时的、动态的、参杂大量噪声的信息。如何在复杂多变的环境条件下，提取有用的信息，实现快速高效节能的计算，是人工智能和神经形态电路需要解决的难题。这驱使着我们突破传统的计算机架构和计算模式，针对神经形态电路在人工视网膜中的基础理论和应用展开深入和细致的研究。本项目旨在针对视网膜内不同类型的神经细胞设计复杂和高度仿真的电子神经元模型，搭建小规模的视网膜神经网络，来深入探索其在噪声环境中的运行机制和基础理论以及用神经形态电路模拟的可行性，尤其是针对背景中相对移动的检测机制，从而建立起神经形态电路在视网膜假体中作为移动检测的应用基础。

电子视网膜（或视网膜假体）是神经形态电路研究方面的一项重要课题，因为视觉是人类和大多数高等动物在环境中的输入信号的关键来源。如何在复杂多变的环境条件下，提取有用的信息，实现快速高效节能的计算，是人工智能和神经形态电路需要解决的难题。本项目基于CMOS工艺针对视网膜内不同类型的神经细胞设计复杂和高度仿真的电子神经元模型，搭建小规模的视网膜神经网络，深入探索其运行机制和基础理论以及用神经形态电路模拟的可行性，完成了针对背景中相对移动的实时检测实验，从而建立起神经形态电路在视网膜假体中作为移动检测的应用基础。后续我们可以集成上万个像素通道，实现大规模高分辨率的视网膜网络芯片，用于事件触发的摄像设备与图像处理设备，极大程度上提高该类设备的能量使用效率、降低功耗；作为便携式低功耗的仿生智能摄像设备与图像处理设备，应用于工业、农业、智慧城市等各个领域。此外该成果可直接应用于人工视网膜假体，代替视网膜的基础功能，并结合微电极矩阵形成高分辨率的脑机神经接口。.另外，本项目确立了采用记忆电阻Memristor作为构建与CMOS类似的电子神经元电路模型的方案，一方面，研究并测试了Memristor的记忆存储属性，能量利用效率，以及其作为基础的逻辑记忆单元的随机特性；并且利用其随机特性，对Memristor矩阵进行非线性配置，来抑制攻击或者显著的噪声，极大增强网络存储设备的安全性能；另一方面，将Memristor矩阵电路用于实现神经网络学习算法，并用于实现多通道神经信号的通道选择与检测，例如脑电信号的检测分析用于癫痫预测等。在此基础上本项目与合作方制作和开发了基于amorphous oxygen-deficient SrTiO3-x (a-STOx)的、可高度集成的、具备高阶突触学习能力的Memristor器件。

内容获取失败，请点击重试