随着人工智能和机器视觉技术的飞速发展，传统计算架构逐渐暴露出能耗高、响应慢和难以模拟生物神经系统复杂性的不足，推动了类脑计算和神经形态硬件的研究热潮。尖峰神经网络（Spiking Neural Networks，简称SNN）作为模仿生物神经元尖峰发放机制的下一代神经网络，在能效和生物拟真性方面展现出巨大优势。实现高效、真实的尖峰神经元模型成为推动SNN广泛应用的关键，而2D材料尤其是单层二硫化钼（MoS2）凭借其独特的物理和光电性质，正成为建设尖峰神经元硬件的突破口。单层MoS2不仅展现出优异的可见光响应性能，还具备快速的电荷捕获与释放特性，能够模拟生物神经元的膜电位积分和泄漏机制，这为实现基于光电控制的人工尖峰神经元提供了理想材料平台。单层MoS2基于化学气相沉积（CVD）技术制备，具有原子级超薄的厚度和均匀的大面积覆盖性，确保了器件的重复性和可扩展性。通过构建场效应光电晶体管结构，MoS2展示了在不同波长光照下的光响应行为，能够模拟生物神经元中电位的充放电过程。
当光照刺激作用时，MoS2中产生的光生载流子引起电流上升，模拟神经元膜电位的积累；关闭光源后，光生电流呈指数衰减，体现了膜电位的泄漏特性。此外，通过调节电极门极电压实现载流子快速复位功能，有效演示了神经元发放尖峰后的复位机制。这些光电动力学特征为在硬件层面构建真正意义上的漏积分-发放（LIF）神经元模型奠定了基础。LIF模型为SNN中最常用的神经元模型，它可以处理连续的输入信号，并在膜电位达到阈值时发放尖峰信号，随后膜电位被重置，极大地贴近生物神经元行为。基于单层MoS2的神经元器件将光刺激输入转化为电流响应，结合快速复位功能，实现了LIF神经元的完整动态。SNN利用这一神经元模型，在静态图像识别和动态视觉任务中均表现出较好的学习和分类能力。
在静态图像处理方面，MoS2对红、绿、蓝三色光均有明显响应，能够通过光输入的强度转换为尖峰频率，实现图像的脉冲编码输入。以CIFAR-10数据集为例，基于MoS2参数模拟的SNN在仅15个训练周期内达到约75%的分类准确率，显示出良好的识别能力和学习效率。在动态视觉任务中，事件驱动的动态视觉传感器（DVS）捕获光强变化并将其转化为脉冲信号，真正做到“只对变化事件响应”。基于MoS2的LIF神经元同样适用于处理这种时序事件数据，对DVS128手势识别数据集的仿真结果表明，网络在60个训练周期后准确率稳定在80%左右，具备鲜明的时间响应优势和高效能效比。这一应用展示了基于单层MoS2的神经元器件在处理实时动态视觉信息时的竞争力，尤为适合低功耗边缘计算设备和智能传感系统。MoS2的光电响应速度与恢复时间常数在200-300毫秒区间，稳定且可控，既保证了系统对快速事件的敏感性，也兼顾了对环境信号的持续集成。
这种时间特性的统一性和材料的二维结构优势，使得MoS2成为构建密集神经元网络阵列的理想选择。相较于传统硅基电子器件，凭借其自带的光学响应和优异的电荷捕获动力学，2D材料器件能够大幅减少外围电路的复杂度，实现光电一体化神经形态计算。此外，单层MoS2的高柔韧性和兼容性适合集成于柔性、可穿戴设备中，拓展了其在智能感知、医疗监测及机器人视觉等多领域的应用潜力。从制造角度看，近期CVD及金属有机CVD技术的进步促进了单层MoS2的高质量大面积生长和器件的一致性控制，为规模化生产尖峰神经元硬件提供了技术保障。未来，结合大规模集成电路设计和神经科学算法优化，基于MoS2的尖峰神经网络有望推动机器视觉系统实现低功耗、低延时及高识别率的良性循环。在神经形态计算的框架中，单层MoS2不仅为尖峰神经元的物理实现提供了创新思路，也为探索类脑视觉处理机制搭建了桥梁。
通过实现输入光信号的动态积分和指数衰减，MoS2成功模拟了生物膜电位的时间动态，进而支持SNN中尖峰发放的时序编码，为构建更接近人脑视觉功能的硬件系统奠定基础。该技术的成熟和应用，将促进智能视觉传感器向完全自适应、能效极高的神经形态设备转变，推动无人驾驶、安防监控、手势识别和虚拟现实等领域迈入高速发展阶段。总的来说，单层MoS2以其独特的光电性能和原子级厚度，在尖峰神经网络的机器视觉应用中展现了巨大潜力。其成功模拟LIF模型的充放电过程和门控复位动作，不仅加快了神经形态设备的响应速度，也提升了视觉任务的识别精度。随着材料制备和器件设计的不断优化，MoS2基尖峰神经元将成为下一代智能感知体系的重要基石，助力实现真正的类脑计算和高效机器视觉，推动人工智能向更加绿色、智能和高效的方向稳步迈进。
