香港科技大学は2026年11月13日、36万7,500画素を備えた半球形のバイオニックアイ（人工眼）を発表した。生物の網膜を模した曲面センサーに、赤・緑・青の3色に対応する感光層を重ね、広角のカラー撮像と動きの検出を一体化した装置だ。従来は難しかった曲面への高密度な画素形成に成功し、センサー内部で動きを検出することで、後段の処理装置に送るデータ量を大幅に減らせる可能性を示した。ロボットや自律システムへの応用が期待される一方、多数の画素から信号を高速に読み出す技術は、今後の開発課題として残されている。

研究を主導したのは香港科技大学のZhiyong Fan教授で、Zhenghao Long氏らが開発を担当した。成果は査読付き学術誌『Nature Materials』に掲載され、論文「An aberration-corrected bionic eye for full-colour vision and event-driven motion detection」として2026年8月17日にオンライン公開されている。今回の大学発表は11月13日付であり、研究成果そのものの公表日とは異なる。

AD

半球面に3色の感光層を重ね、36万7,500画素を集積

今回開発されたバイオニックアイの中心となるのは、生物の眼球内にある網膜を参考にした半球形の積層型人工網膜だ。青、緑、赤の光にそれぞれ感度を持つ3層を重ね、カラー画像を取得する。各層には350×350の12万2,500画素が形成されており、3層を合計した画素数は36万7,500に達する。大学によると、画素密度は1,905ppi、光に応答する波長範囲は300〜800ナノメートルで、光学的な像のゆがみである像差を補正した状態で160度を超える視野角を確保した。

従来の一般的なイメージセンサーは平面構造であり、広い視野角を確保しながら像差を抑えるには、複数の光学部品や画像処理が必要になる場合がある。一方、生物の網膜に近い曲面センサーであれば、光学系の小型化や広角化に有利な構成を採れる可能性がある。しかし、半球のように大きく湾曲した表面へ多数の微細な画素を形成することは容易ではない。通常の半導体製造で使われるリソグラフィー技術は平面基板を前提としているため、曲率の大きい表面では高密度なパターン加工が難しいという課題があった。

この問題に対し、研究チームはレーザーを使って半球面上に微細な電極パターンを形成する3次元加工技術を開発した。論文の補足資料によると、半球形基板を接続した後、その表面に形成した金膜をレーザーで加工し、画素を分離する電極を作製している。接続パッドは片側350本で、電極の間隔を平面に投影すると40マイクロメートルとなる。この加工技術により、従来は難しかった曲面上への高密度な画素配列を形成した。

同じ研究チームが2020年に『Nature』で発表した初代バイオニックアイは、わずか100画素だった。今回の装置では、3層を合計した画素数が36万7,500まで増加しており、曲面センサーの高解像度化に向けて大きく前進した。ただし、この数値は3つの感光層の画素を合算したものであり、単一の感光層に36万7,500画素が並んでいるわけではない。

動きをセンサー内部で検出し、必要なデータ帯域を削減

今回のバイオニックアイには、カラー画像を取得するだけでなく、センサー内部で動きを検出する機能も組み込まれている。一般的なフレームベースの撮像方式では、カメラが連続する画像を取得し、それらを外部の処理装置で比較して動きを検出する。この方法では、画像の大部分が変化していなくても、各フレームの画素情報を処理する必要がある。一方、研究チームが採用した「イベント駆動型」の方式は、積層した感光層を利用して動きに関する情報をセンサー側で抽出し、後段に送るデータを必要な部分に絞ることを目指している。

研究チームは、この方式によって必要なデータ帯域がどの程度減るかを評価した。同じ動画区間を従来方式と新方式でそれぞれ再構成し、必要な画素数に基づいてデータ量を計算している。従来方式では350×350×3の全画素を各フレームで数えるのに対し、新方式では輝度が127を超える、動きに対応する画素を計上した。この比較では、動画全体を構成する画素ではなく、検出された動きに関連する画素だけを後段に送ることで、必要な帯域をどれほど減らせるかを見積もっている。

論文の図4で公開されたデータによると、毎秒60フレーム（60fps）を想定した場合、従来方式のデータ量は毎秒21.02852MBだったのに対し、新方式では毎秒0.00984MBとなった。この条件での削減率は99.95%を超える。ただし、これは同じ動画から得られた有効画素数に基づく計算結果であり、試作機が60fpsでリアルタイム撮影したことや、実際の通信機器で同等の帯域削減を確認したことを意味しない。 センサー内部で必要な情報を抽出する設計の有効性を示す一方、実機の処理速度とは区別して評価する必要がある。

動きの認識性能についても評価が行われた。研究チームは、学習データ全体を5回繰り返す5エポックの学習後、バイオニックアイから得られた1フレームと、従来カメラから得られた1〜9フレームを入力した場合を比較した。公開データに記録されたバイオニックアイ側の認識精度は0.98567で、約98.6%に相当する。ただし、公開要旨と補足資料だけでは、評価に使った動画の総数や学習・検証データの分割、正答率を計算した際の分母などを確認できない。そのため、この数値は研究チームが設定した認識タスクで得られた性能であり、一般的な動体認識でも同等の精度が得られることを示すものではない。

AD

高解像度化に成功した一方、画素の読み出し速度には課題

今回の成果を評価するうえで重要なのは、36万7,500画素を形成できたことと、その全画素を高速に読み出せることは別の技術的課題だという点である。論文の補足資料には、試作機で画像を取得した具体的な手順が記載されている。研究チームは、コンピューターで制御するプロジェクターを使い、2枚の画像を交互に切り替える映像を繰り返し投影した。そのうえで、マルチプレクサーを通じて画素を一つずつ選択し、各画素の電流を約0.5秒間に20回サンプリングした。

この方法では、一度に接続して測定できる範囲が122×122画素に限られていた。そのため、別の領域を測定する際には、フレキシブル基板の接続を手動で変更する必要があった。3色の感光層についても順番に測定し、得られたデータを組み合わせることで、350×350×3画素の画像を再構成している。つまり、今回の画像取得は全画素を同時に読み出したものではなく、同じ場面を繰り返し投影しながら、各領域の測定値を集める方法で行われた。

論文の補足資料30〜32ページと図4の公開データを基に、主な結果とその検証方法を整理すると次のようになる。

結果の区分 対象 検証方法と内容
実測 図4b、図4e 画像を繰り返し投影し、各画素を順次測定してカラー画像と動きに関する情報を再構成
シミュレーション 図4f 動きの検出と物体の軌道予測を評価
計算 図4i 同じ動画の有効画素数から必要なデータ帯域を比較。60fpsを想定

このように、論文で示された結果には、実際のセンサーを使った測定、シミュレーション、画素数から求めた計算値が含まれている。特に帯域削減率の99.95%超という数値は、動画の有効画素数に基づく計算によるものであり、試作機の実時間処理性能を直接示すものではない。著者らも、現在の測定系ではマルチプレクサーと測定器のチャネル数が限られるうえ、ピコアンペア単位の微小な電流を読み出す処理能力も不足していると説明している。その結果、実効的な読み出し速度が低く、測定中に接続を手動で切り替えなければならないことが、現段階の大きな制約となっている。

次の目標は画素の並列読み出しと100万画素への拡張

研究チームが今後の改善策として挙げているのは、複数の画素から信号を同時に取得する並列読み出し方式と、多チャネルの低雑音回路の開発だ。画素数を増やしても、信号を一つずつ順番に読み出す仕組みでは、動く対象を連続的に撮影・認識する速度に限界がある。特にロボットや自動運転など、周囲の状況が絶えず変化する用途では、画像の解像度だけでなく、遅延を抑えて必要な情報を取得できるかが重要になる。今後の試作機では、同時に読み出せる画素数、連続動作時のフレームレート、動きの検出精度などを組み合わせた評価が求められる。

研究の再現性を確認するための資料も一部公開されている。論文には補足資料と図の数値データが付属しており、実験条件や結果を確認できる。一方、シミュレーションと分類に使用したコードは、合理的な要求があった場合に責任著者から提供する方式を採っている。独立した研究グループが同じ加工方法や測定条件で結果を再現できるか、さらに異なる撮影環境でも同等の性能が得られるかは、今後の重要な検証課題となる。

Fan教授は大学の発表で、技術開発がさらに進めば、100万画素を超える次世代バイオニックアイを開発できるとの見通しを示した。ただし、これは今後の改良を前提とした目標であり、今回の研究で100万画素の装置が実証されたわけではない。半球面への高密度な画素形成と、センサー内部での動き検出を組み合わせた今回の成果は、ロボットや自律システム向けの小型視覚センサーに新たな可能性を開くものだ。その実用性を左右するのは、画素数をさらに増やせるかだけでなく、並列読み出し回路によって高解像度の情報を十分な速度で取得し、実際の動作環境でも性能を維持できるかという点になる。