數(shù)碼相機所用的現(xiàn)代圖像傳感器基于半導體（固態(tài)）技術，并于二十世紀七十年代初問世。主要分為兩種類型：電荷耦合器件（charge-coupled devices）和主動式像素傳感器（active-pixel sensors）。它們可以“忠實地”從環(huán)境中捕獲視覺信息，但會生成大量冗余數(shù)據(jù)。通常的方式是將大量光學信息轉(zhuǎn)換為數(shù)電格式，然后傳遞到計算單元進行圖像處理。
在傳感器和處理單元之間大量數(shù)據(jù)移動會引起延遲和高功耗等問題。隨著成像速度和像素數(shù)量的增加，帶寬帶來的限制使得難以將所有內(nèi)容快速返回到中央計算機或基于云的計算機并進行實時處理和決策，這對一些對延遲非常敏感的應用如無人駕駛汽車、機器人或工業(yè)制造等尤為重要。
一種更好的解決方案是將一些計算任務轉(zhuǎn)移到計算機系統(tǒng)外部邊緣傳感設備，從而減少不必要的數(shù)據(jù)移動。由于傳感器的輸出通常是模擬信號（連續(xù)變化），模擬處理勝于數(shù)字處理：眾所周知，模數(shù)轉(zhuǎn)換既耗時又耗能。
為了模擬大腦對信息的有效處理，生物神經(jīng)形態(tài)
圖1：在視覺傳感器內(nèi)進行計算，實現(xiàn)智能高效的預處理。（a）傳統(tǒng)人工智能（AI）視覺傳感器從光敏傳感器收集信號，利用模數(shù)轉(zhuǎn)換器（ADC）將模擬信號轉(zhuǎn)換為數(shù)字信號，放大后輸入到外部人工神經(jīng)網(wǎng)絡（ANN）——連接可以進行調(diào)整的互連計算單元（圖中用圓形表示）層，經(jīng)過訓練后，此網(wǎng)絡可以執(zhí)行諸如圖像分類之類的任務。ANN輸入層接收的信號是編碼后的簡單物理元素（圖中用點和線表示）；在后續(xù)層中，這些已優(yōu)化為中級特征（圖中用簡單形狀表示）；在輸出層上形成精細圖像（圖中用3D形狀表示）。整體響應可能是又慢又耗能。（b）Mennel等研究人員設計的系統(tǒng)中，芯片上的互連傳感器（圖中用正方形表示）不僅可以收集信號，還可以作為ANN來識別簡單功能，從而減少了傳感器和外部電路的冗余數(shù)據(jù)移動。
Mennel等研究人員直接在圖像傳感器加入了人工神經(jīng)網(wǎng)絡。他們在芯片上構建了光電二極管網(wǎng)絡，這些光電二極管是對光敏感的微型單元，每個單元中有幾層二硒化鎢（WSe2）原子層。通過調(diào)節(jié)施加在二極管上的電壓，半導體器件對光的響應程度發(fā)生變化，從而實現(xiàn)對每個二極管靈敏度的分別調(diào)節(jié)。實際上，這將光電傳感器網(wǎng)絡變成了神經(jīng)網(wǎng)絡（見圖1b），能夠執(zhí)行簡單的計算任務。改變光電二極管的光響應能力則改變網(wǎng)絡的連接強度（突觸權重）。因此，該器件實現(xiàn)了光學傳感與神經(jīng)形態(tài)計算的結合。
作者將光電二極管排列成九個像素的正方形陣列，每個像素有三個二極管。當圖像投影到芯片上時，會產(chǎn)生不同的二極管電流，再進行組合和讀取。硬件陣列提供了一種模擬計算形式：每個光電二極管都會產(chǎn)生與入射光強度成比例的輸出電流，并且根據(jù)基爾霍夫定律（電路電流所遵循的基本規(guī)律）將沿行或列的電流值求和。
圖2：光電二極管排列成九
接著對陣列進行執(zhí)行任務的訓練。芯片陣列產(chǎn)生的電流與預測電流（對于給定任務，陣列正確響應圖像應產(chǎn)生的電流）的差異，并用于調(diào)整下一次訓練周期的突觸權重。這個學習階段會占用時間和計算資源，但是一旦經(jīng)過訓練，該芯片將迅速執(zhí)行其任務。
神經(jīng)網(wǎng)絡可以采用不同算法，作者在文中演示了兩種神經(jīng)
圖3：27個光電探測器的光響應值，其中訓練數(shù)據(jù)σ = 0.3。（a，b）：其中（a）為初始時期（epoch）的響應度值，（b）時期為30時的響應度值，訓練數(shù)據(jù)σ = 0.2和σ= 0.4的權重相似。c：在特定的投影字母和三種噪聲水平下，所有時期測得的電流。d：三種不同噪聲水平的初始和最終響應度值的直方圖。
第二個功能是自動編碼：即使在存在信號噪聲的情況下，傳感器計算陣列也可以通過學習圖像的關鍵特征來生成處理后圖像的簡化表示。編碼版本僅包含最基本的信息，但可以解碼以重建與原始圖像最相似的圖像。
這項有前途的技術在投入實際應用之前，還有許多工作要做。用于自動駕駛車輛和機器人技術的神經(jīng)形態(tài)視覺系統(tǒng)需要捕獲視場角較大的3D動態(tài)圖像和視頻。當前使用的圖像捕獲技術通常將3D真實世界轉(zhuǎn)換為2D信息，這樣就丟失了運動信息和深度信息?，F(xiàn)有的平面圖像傳感器陣列也限制了廣角相機的發(fā)展。
作者描述的器件很難在昏暗的光線下成像。需要重新設計以改善薄半導體的光吸收并增加探測光強范圍。此外，論文中提到的這種設計需要高電壓并消耗大量功耗。相比之下，生物神經(jīng)網(wǎng)絡中每項操作的能量消耗處于亞飛焦耳級（10?1?至10?13焦耳）。這有利于擴展到紫外線和紅外光應用，以捕獲可見光譜無法提供的信息。
所使用的薄半導體很難實現(xiàn)大面積
Mennel及其同事的“在傳感器中實現(xiàn)計算”系統(tǒng)會激發(fā)對人工智能（AI）硬件的進一步研究。一些企業(yè)已經(jīng)開發(fā)了基于硅電子的AI視覺芯片，但是這些芯片的固有數(shù)字架構無法解決延遲和功率效率問題。
更廣泛地講，作者的策略不僅限于視覺系統(tǒng)。它可以擴展到用于聽覺、觸覺、熱感或嗅覺的其它物理參數(shù)輸入。此類智能系統(tǒng)的開發(fā)以及5G無線網(wǎng)絡的到來，會在將來允許進行實時邊緣（低延遲）計算。