目前，在自動駕駛、智能家居系統和工業控制等領域，對邊緣智能硬件的需求日益增加，以在本地處理傳感器和智能設備生成的實時環境數據，從而最小化決策延遲。能夠精確模擬各種生物神經元行為的神經形態硬件有望推動超低功耗邊緣智能的發展?，F有研究已探索具有突觸可塑性（即通過自適應變化來增強或減弱突觸連接）的硬件，但要完全模擬學習和記憶過程，多種可塑性機制——包括內在可塑性——必須協同工作。

為解決這一問題，由復旦大學微電子學院包文忠教授、集成電路與微納電子創新學院周鵬教授以及香港理工大學蔡陽教授領銜的聯合研究團隊提出了一種新型仿生神經元結構。利用晶圓級二維半導體（MoS?）材料，并基于動態隨機存取存儲器（DRAM）原理，他們首次實現了內在塑性、脈沖時間編碼和視覺適應在單一硬件單元中的協同集成。

根據“復旦大學微電子學院”，研究人員開發了一種用于圖像識別的生物啟發神經網絡（BioNN），其中 2D DRAM 神經元模塊被用作圖像預處理和計算層。該神經元可以同時執行脈沖時間編碼、調節內在神經元可塑性，并模擬視覺適應的生物神經動力學。通過突破傳統神經形態硬件架構的限制，它將感知、記憶和計算集成在一起，從而實現了高效的類腦視覺事件處理。

展望未來，二維神經元模塊有望成為擴展至大規模神經形態計算系統的通用構建模塊，與先進傳感器、存儲設備和類腦算法深度融合。這將能夠高效構建從邊緣智能終端到大規模分布式類腦網絡的各種系統。潛在應用包括自動駕駛、智能醫療、機器人感知和腦機接口，為低功耗、實時智能系統提供基礎支持，并推動神經形態計算技術向更接近生物神經系統的形式發展。

研究團隊表示，這一突破充分利用了二維半導體的超低功耗優勢，將人工智能計算推進到更符合生物學、更節能的范式。同時，它為二維半導體在邊緣智能硬件和神經形態視覺系統中的應用開辟了一條全新的途徑。團隊已經開始關注其研究成果的工程轉化，旨在為二維半導體的產業化鋪平道路，實現從“1到10”的跨越。