近日，我校高昌松教授团队在材料科学领域一区TOP (IF = 19)期刊《Advanced Functional Materials》在线发表题了为“A Dynamic Adaptive Activation Neuron-Transistor for Dynamic Sparse Neural Networks in Advanced Driving Assistance”的研究论文。

神经形态计算是解决冯·诺依曼瓶颈问题的一种前沿方向，近年来受到广泛关注。然而，传统神经形态器件受限于静态阈值激活机制，难以模拟生物神经元的动态稀疏特性，导致基于经典器件的全连接神经网络中存在超过90%的计算冗余，严重制约了高效神经形态计算的发展。针对该问题，研究团队受生物神经元自适应激活机制的启发，提出了一种基于非对称电极和铟镓锌氧化物（IGZO）薄膜的动态自适应激活神经元晶体管，成功克服了传统器件的静态激活限制。

该器件可通过栅极电压或紫外光（UV）照射实现类似生物神经元的动态自适应激活，具备宽范围的激活时间（65 ms-73.5 s）和可调节的激活阈值（2.5-7.7 V）。基于该器件，团队构建了一种动态稀疏脉冲神经网络（DS-SNN），实现了基于哈达玛积的原位权重修剪与再生功能。在自动驾驶目标检测任务中，该网络在42%的稀疏度下达到了85%的准确率，性能优于传统密集卷积神经网络（需32万权重）和脉冲神经网络（需14万权重），而仅使用约8万个参数。该硬件-算法协同设计方案为高能效边缘计算电子学建立了新范式，并为未来大规模神经形态处理器的三维集成提供了技术基础。研究团队未来将基于该成果进一步深入探索基于该技术的AI集成电路研究。

基于IGZO的动态自适应激活神经元晶体管结构示意与光电性能

基于器件的构建的动态稀疏脉冲神经网络系统用于高级智能辅助驾驶检测

该成果以贵州师范大学为第一完成单位，高昌松教授为第一作者兼通讯作者，福州大学陈惠鹏研究员与我校毕津顺教授为共同通讯作者。该研究得到了国家自然科学基金（Grant No. 62404060, 62374033, 12464021）、贵州省科技合作平台（[2025] No.005.）及贵州省微纳信息器件与集成电路关键技术创新人才团队项目((BQW [2024] 014)等项目的联合资助。

论文全文链接：https://doi.org/10.1002/adfm.202517785