传统人工嗅觉系统（如商用电子鼻）通常依赖数十乃至数千个分立传感器构建庞大阵列，不仅导致系统体积大（达数十平方厘米）、功耗高（毫瓦级），更因单一模态下不同气体的响应信号严重重叠而陷入“交叉敏感”困境，难以在微型化平台上实现高精度气体识别。

中国科学院长春光机所李绍娟研究员团队，受人类视觉-嗅觉协同感知启发，构建了基于MoS2/SnS2浮栅异质结构的双模态神经形态器件（Bionic visual-olfactory bimodal neuromorphic device, VOBND）。该器件不仅可独立响应光信号与气体信号，还能在器件层面实现“传感器内数据融合”与“感知增强”，模拟大脑多感官信息融合的初步处理过程。该器件以仅148µm2的活性面积和3.4µW静态功耗，实现了98.27%的气体分类准确率，相比纯嗅觉模式（52.24%）提升近一倍，并能在混合气体场景下保持89.32%的识别精度。

相关成果以“Boosting Artificial Olfactory: Visual Cues-Enhanced Gas Classification by a Bimodal Neuromorphic Device”，为题发表于Advanced Materials期刊，通讯作者为李绍娟研究员、张楠副研究员以及Mario Lanza教授，研究得到了国家自然科学基金、科技部重点研发计划、吉林省科技发展计划等项目的资助。

仿生设计理念

VOBND的仿生设计理念

仿生视觉的突触可塑性

在视觉感知层面，器件展现出典型的光电突触行为。单脉冲光刺激可引发持续近950秒的兴奋性突触后电流，且其响应强度与光强、脉冲宽度及波长呈非线性量化关系。双脉冲异化实验表明，器件可编码时序信息，其驰豫时间常数与生物突触高度吻合。通过调节光脉冲数量与频率，器件成功模拟了从短时程记忆向长时程记忆的转化，以及“学习-遗忘-再学习”的认知强化过程，为人工视觉记忆提供了硬件基础。

VOBND的视觉感知性能

仿生嗅觉的气体分子驱动的兴奋与抑制

针对工业与室内环境中的典型气体（氧化性NO2/SO2与还原性NH3/HCHO），器件展示了双极性的突触响应：还原性气体引发兴奋性电流增强，氧化性气体则导致抑制性电流衰减。其理论检测限低至ppb级别（NO2达74 ppb）。通过调控气体脉冲的时长、数量与频率，器件实现了脉冲时长依赖可塑性、脉冲数量依赖可塑性及脉冲频率依赖可塑性，完整复现了生物嗅觉系统中兴奋-抑制信号整合与记忆编码的神经动力。

VOBND的嗅觉感知性能

双模态融合实现1+1>2感知增强

当光信号与气体刺激同时作用于器件时，二者产生协同或竞争效应。光诱导的载流子产生与气体吸附/脱附过程相互调制，形成具有气体特异性指纹特征的弛豫动力学。例如，在氧化性气体中，光脉冲加剧了电流抑制与快速恢复；而在还原性气体中，则表现为电流增强与缓慢衰减。通过调节光脉冲占空比，器件可模拟从“嗅觉主导”到“视觉主导”的动态感知权重分配，实现了生物多感官整合的关键功能。

VOBND的视觉-嗅觉融合感知性能

双模态融合助力嗅觉识别准确度提升

采用全连接神经网络与线性判别分析对12种不同浓度气体进行分类验证。纯嗅觉模式下各类别响应曲线严重重叠，整体准确率仅52.24%；而引入视觉模态后，二维特征空间中的类间距离显著增大，类内凝聚度提升，整体准确率跃升至98.27%。在更具挑战性的51种混合气体识别任务中，双模态策略仍保持89.32%的准确率，远超纯嗅觉模式的准确率（40.80%），充分证明了视觉线索对嗅觉模糊信息的增强效应。

嗅觉单模态与视-嗅双模态融合模式下的识别准确率

本研究在器件层面实现了视觉-嗅觉感知融合，通过光场调控气体吸附动力学，从根本上提升了单一传感器的信息维度与识别能力。该策略为开发极紧凑、超低功耗、高鲁棒性的人工嗅觉系统提供了全新物理路径，有望在微型机器人、可穿戴健康监测及物联网环境感知等领域催生变革性应用。未来，结合大规模二维材料生长技术与脉冲神经网络算法，该架构将有望构建适应未知环境的动态在线学习系统。