随着人工智能（AI）技术的快速发展，人工神经网络（Artificial Neural Networks, ANNs）在多个领域取得了显著成就。然而，传统的神经网络训练方法——尤其是反向传播算法（Backpropagation）——在硬件实现上存在诸多挑战。反向传播算法虽然在软件中高效，但在硬件中实现时，要求计算路径可逆、每个神经元需要大量内存，并且需要计算激活函数的导数，这些条件在硬件中难以满足。此外，传统的互补金属氧化物半导体（CMOS）硬件在训练和部署这些算法时，能源消耗巨大，限制了其扩展性和广泛应用。 为了解决这些问题，研究人员开始探索脑启发（brain-inspired）的硬件解决方案，尤其是模拟神经形态硬件（analog neuromorphic hardware）。这类硬件能够以...

学术背景 随着信息时代的到来，集成电路（Integrated Circuits, ICs）成为了推动技术进步的核心力量。然而，传统的集成光子学平台（如硅、氮化硅等）在材料特性上存在诸多限制，例如硅的间接带隙限制了其在激光应用中的使用，而硅在近红外波段的强双光子吸收也限制了其在非线性光学应用中的表现。为了克服这些限制，研究人员开始探索将具有优异光学特性的二维材料（2D Materials）集成到光子芯片上。二维材料，如石墨烯（Graphene）、过渡金属二硫化物（Transition Metal Dichalcogenides, TMDCs）、黑磷（Black Phosphorus, BP）等，展现出超高的载流子迁移率、宽带光学响应、层依赖的可调带隙等特性，为下一代光子集成电路（Photoni...

碳氮化物（Carbon Nitride, CN）作为一种二维n型半导体材料，因其优异的光催化活性和稳定性，在光驱动能量转换和环境应用中展现出巨大潜力。然而，尽管CN在光催化领域表现出色，其在光电子器件中的应用却受到限制，尤其是在硅（Si）基光电子器件中。主要原因在于缺乏能够大规模制备高质量、均匀且可加工的CN薄膜的合成方法。现有的合成方法，如纳米片分散涂层、液-固界面合成、高温退火等，虽然在一定程度上实现了CN薄膜的制备，但在晶圆级均匀性、表面粗糙度以及与硅的界面结合强度等方面仍存在不足。这些问题导致CN与硅的异质界面存在大量缺陷，阻碍了载流子的传输，进而限制了器件性能的提升。 为了解决这些问题，研究人员提出了一种新型的合成方法，通过两步化学气相沉积（CVD）和氢气氛退火工艺，成功在硅上制备...

复杂量化最小误差熵与基准点的理论及应用：模型回归中的突破 学术背景 在机器学习和信号处理领域，非高斯噪声的存在往往会对模型的性能产生不利影响。传统的均方误差（Mean Squared Error, MSE）虽然在理论上和计算上具有简单性，但在面对非高斯噪声时，其可靠性受到严重挑战。为了解决这一问题，研究者们提出了多种优化准则，其中最小误差熵（Minimum Error Entropy, MEE）因其在抑制脉冲噪声和异常值方面的优异表现而备受关注。然而，原始的MEE算法由于需要对误差样本进行双重求和，计算复杂度较高，限制了其在大规模数据集中的应用。 为了降低计算负担，Zheng等人提出了量化最小误差熵（Quantized MEE, QMEE），通过量化技术显著提高了计算效率。在此基础上，本研究...

基于概率记忆自编码网络的监控视频异常行为检测研究 学术背景 在智能监控系统中，异常行为检测是一项至关重要的功能，广泛应用于反恐、社会稳定维护和公共安全保障等领域。然而，异常行为检测面临着一个核心挑战：正常行为数据和异常行为数据之间的极端不平衡。正常行为数据通常大量且易于获取，而异常行为数据则稀少且难以预测。这种不平衡使得传统的监督学习方法难以有效训练模型。因此，研究如何利用大量正常行为数据来建模正常行为分布，并以此为基础检测异常行为，成为了一个重要的研究方向。 近年来，基于深度学习的方法在异常行为检测中取得了显著进展。特别是，基于视频帧重建和未来帧预测的方法被认为在性能上优于传统的重建方法。然而，现有的方法在处理复杂场景和多模态正常行为时仍存在局限性。为了解决这些问题，本研究提出了一种基于概...