随着人工智能技术的飞速发展，机器视觉系统在静态图像感知方面已取得巨大进步。然而，绝大多数现有机器视觉系统仍采用逐帧（frame-by-frame）方式处理动态场景，这种方式不仅产生了大量冗余数据传输，还引入了较高的延迟，尤其在多个目标以不同速度和方向同时运动时，其处理效率低下的问题更为突出。相比之下，生物视觉系统并不通过离散帧来重建动态场景，而是将连续的视觉输入整合为一条连续的信息流。其中，运动条纹神经元（motion-streak neuron）是生物视觉系统中实现时空整合的关键组件，它能够将连续视觉输入叠加为运动物体的残余轨迹（residual trace），从而在单个整合场景中同时感知物体的运动方向与速度。
受此启发，来自首尔国立大学（Seoul National University）材料科学与工程系及跨大学半导体研究中心（Inter-university Semiconductor Research Center）的Hyungjun Park、Jin Hong Kim、Hyun Wook Kim等研究者，在Cheol Seong Hwang教授的指导下，提出并实现了一种忆阻运动条纹神经元（memristive motion-streak neuron）。该研究以”Memristive Motion-Streak Neuron for Spatiotemporal Multiple Object Detection”为题，发表于 Advanced Materials 期刊（2026年，文章编号e74793）。研究的核心目标是构建一种能够在传感器层面直接完成时空编码、并同时识别多个运动目标的方向与速度的硬件系统，从而减少对后端计算资源的依赖。
该研究的核心创新在于将两种不同类型的忆阻器件进行串联集成，以模拟生物运动条纹神经元的功能。具体而言，研究团队将 Al/InGaZnO/Al 光电忆阻器（optomemristor） 与 Ag/HfO₂/Pt 动态忆阻器（dynamic memristor） 集成在一个像素单元内。其中，光电忆阻器负责将外部光刺激转换为电信号，其响应速度极快，上升时间约为100微秒，下降时间约为60微秒，能够在不引入明显延迟的情况下完成光电转换。动态忆阻器则利用银导电丝（Ag conductive filament）在电场作用下形成与自发断裂的易失性阻变行为，实现对输入光脉冲时间宽度的”记忆”与”衰减”。
该集成器件的核心工作机制在于：当一个运动物体经过某个像素时，其存在时间被编码为光脉冲的宽度。光脉冲作用于光电忆阻器，改变其电阻，进而调节串联动态忆阻器两端的电压分压。动态忆阻器在脉冲结束后发生自发弛豫（relaxation），其弛豫时间（relaxation time）与脉冲宽度呈正相关——脉冲越长，银导电丝直径越大，弛豫时间越长。因此，快速移动的物体（短光脉冲）产生短运动轨迹，慢速移动的物体（长光脉冲）产生长运动轨迹。通过在脉冲序列结束后测量各像素的残余电流，即可在单个嵌入帧（embedded frame）中同时提取运动方向与速度信息。
为了验证该神经元的功能，研究团队制备了一个4×4的忆阻运动条纹神经元阵列，并搭建了定制光学测试平台。该平台采用532纳米绿色激光二极管阵列，通过微控制器（MCU）与GPIB接口实现光脉冲与电脉冲的精确同步控制。在单目标实验中，研究团队模拟了八种运动方向（包括水平、垂直和对角线方向）与三种速度（每像素1毫秒、2毫秒和3毫秒，分别对应快、中、慢）的组合，共24类运动模式。
在单目标运动分类实验中，研究团队测量了4×4阵列中16个忆阻神经元在脉冲序列结束后的电流响应。实验结果显示，对于沿右对角线方向的运动，快、中、慢三种速度下的电流分布图呈现出明显差异：慢速运动在像素中保留了更强的残余电流，而快速运动的残余电流较弱。通过将所有16个像素的电流响应向量化，并输入到一个包含16个输入神经元和24个输出神经元的神经网络中进行训练，研究团队在80个训练周期后获得了96.7%的测试准确率。混淆矩阵显示出清晰的对角线分布，表明方向与速度的组合能够被可靠地区分。
为了进一步验证该系统在多目标场景下的性能，研究团队利用KTH运动数据集进行了仿真。他们从KTH数据集中选取了包含跑步、慢跑和行走等不同速度的人类运动场景，构建了包含两个目标、八个运动方向和三种速度的任意组合场景。每个场景包含四个连续运动事件。在100×75像素阵列上生成的电流响应被向量化为7500×1的向量，并输入至包含7500个输入神经元和48个输出神经元的神经网络中进行分类。值得注意的是，该仿真中引入了实测的器件循环间（cycle-to-cycle）变异系数0.09和器件间（device-to-device）变异系数0.07，使得模拟结果更贴近真实硬件表现。
研究结果清晰地展示了动态弛豫方法的优势。传统的基于帧（frame-based）的感知方法将运动分割为离散帧，无法捕捉时间连续性，其分类准确率仅为12.5%。而具有静态弛豫（static relaxation）特性的光电器件虽能部分反映运动方向，但由于弛豫时间不可调，无法编码速度信息，其准确率为38.1%。相比之下，本文提出的动态弛豫方法通过调制弛豫动力学，形成了方向与速度依赖的独特运动条纹图案，实现了96.2%的平均分类准确率。该结果与现有软件方案的性能相当，但显著降低了计算开销。
尽管上述运动条纹神经元能够有效处理线性运动，但对于需要区分时间序列间隔的复杂运动模式（例如先向右再向左的往返运动），其区分能力仍然不足。为了拓展系统的功能，研究团队将运动条纹神经元与电阻-电容核（resistor-capacitor kernel, R-C kernel）集成。R-C核由1 MΩ电阻和500 pF电容组成，能够检测两个光输入序列之间的时间间隔：间隔越长，电容充电越充分，在下一次光输入时产生更高的电压分布。
在复杂运动分类实验中，研究团队构建了包含两个目标、双轨迹（八个方向的两两组合）和三种速度的组合场景，共计384个输出类别。将运动条纹向量与R-C核向量拼接后形成15000×1的输入向量，输入至包含15000个输入神经元和384个输出神经元的神经网络。实验结果表明，单独使用运动条纹向量时准确率仅为23.7%，单独使用R-C核向量时准确率为54.2%，而将两者结合后，准确率显著提升至91.1%。这一结果表明，R-C核有效补充了运动条纹神经元在时间间隔编码方面的不足，使得系统能够识别更复杂的时空运动模式。
本研究提出并实验验证了一种能够在单个器件层面实现时空编码的忆阻运动条纹神经元。该工作的重要意义体现在以下几个方面：首先，它突破了传统机器视觉系统依赖逐帧处理的范式，将运动信息的提取前移至传感器层面，大幅减少了冗余数据传输和后续计算负担。其次，通过光电忆阻器与动态忆阻器的异质集成，实现了对运动方向、速度和目标身份的同时编码，这是此前基于单一光电器件的运动检测系统所无法实现的。第三，与R-C核的集成进一步拓展了系统的时序处理能力，使其能够处理包含复杂时间结构的运动模式。
从应用角度看，该技术为下一代神经形态视觉系统提供了一种可行的硬件解决方案。其集成器件阵列结构、快速的光响应速度（上升/下降时间均在亚毫秒量级）以及高耐久性（超过400次循环），使其具备在实时动态场景中部署的潜力。未来，通过进一步优化动态忆阻器的弛豫时间调控范围、提高器件均匀性以及改进读出电路设计，有望实现更高精度、更低延迟的多目标运动感知系统。总体而言，这项研究在神经形态工程与动态视觉感知的交叉领域迈出了重要一步。