作为欧盟ULPEC H2020研究项目的一部分，该发现将会用于在新型摄像头上进行实时轮廓识别：除非观察到视角变化，像素点会保持不活动状态。该数据处理过程的能耗更低，并能更快地检测选中的对象。参与该研究的学者来自于CNRS/Thales物理学联合研究室，波尔多大学、巴黎第十一大学、埃夫里大学 以及美国阿肯色大学。

　　法国研究人员日前成功开发出能自主学习的人工神经突触，首次开发出能预测人工神经突触如何工作的物理模型，借助该模型，创建更复杂的系统成为了可能。

　　能够学习的人工神经突触 人造大脑或将要实现以Vincent Garcia为首的法国科研人员，近日在人工神经领域取得了突破：在芯片上直接创制出能够学习的人工神经突触，即 artificial synapse，以及能够解释其学习能力的物理模型。该研究为创造人工神经突触网络，因而开发出更快速高效的人工智能系统打开了一扇大门。

　　研究成果在昨日发表于《Nature Communications》。仿生学领域的一项重要目标，是模仿人脑——从大脑的机能与运转方式获取灵感，来设计更加智能的机器。这在信息学科广泛，用来处理成特定任务的算法，如图像识别，就受到仿生学的启发。但它们能耗巨大。

　　以Vincent Garcia为首的法国科研人员，近日在该领域取得了突破：在芯片上直接创制出能够学习的人工神经突触，以及能够解释其学习能力的物理模型。该研究为创造人工神经突触网络，因而开发出更快速高效的人工智能系统打开了一扇大门。

　　人脑的学习过程与神经突触紧密关联，后者起到连接神经元的作用。被激活的神经突触越多，其连接就会受到强化，学习得到提升。研究人员从这项机制获取灵感，来设计名为忆阻器（ Memristor）的人工神经突触。该纳米电子原件，由两个电极，以及夹在它们之间的一层薄铁电物质（ferroelectric layer）组成。后者的电阻，可用类似于神经元电信号的电压脉冲来调整。若电阻低， 突触联系（synaptic connection）会很强；若电阻高，突触联系会较弱。让人工神经突触进行学习，完全是基于这项调整电阻的能力。

　　虽然，全世界有许多顶级实验室在研究人工神经突触，这些设备的工作原理在很大程度上仍是未知的。法国研究人员的主要贡献在于：首次开发出能预测人工神经突触如何工作的物理模型。借助该模型，创建更复杂的系统成为了可能，比如一系列与这些忆阻器相互连结的人工神经元。