量子位 | 公众年夜众号 QbitAI
用钙钛矿取代硅研制电子器件，居然还能被用来完成AI打算？？？
众所周知，钙钛矿作为一种主要的材料，掺杂后紧张用于生产SCI及博士论文（手动狗头）。
这次被用在开拓新型AI电子器件上，还登上了Science，结果让人面前一亮：
其心律识别任务的均匀性能是传统硬件的5.1倍，并且还能灵巧仿照动态网络、降落演习能耗。
用神经形态打算降能耗这项研究紧张是通过向钙钛矿中掺入不同量的氢，来仿照人类神经元活动，从而完身分歧机器学习任务。
这紧张是基于钙钛矿自身的特性。
钙钛矿具备独特的晶体构造，很随意马虎接管氢离子。氢离子的加入可以改变材料的导电性，由此也就可以让材料制备成一种可切换状态的AI电子器件。
在这里研究职员利用了一种稠浊了钕和镍的钙钛矿材料。
通过向这一材料中稠浊不同含量的氢离子，来改变元件的不同状态，以此实现对大脑神经元活动的仿照。
详细来看，在这种材料中加入大量氢离子后，它的电子终极会转移到镍原子上，导致原子电性发生改变，进而影响材料的导电性。
这时，施加外部电场可以掌握氢的电子转移；再掌握氢的含量，则可以让该电子元件在4种不同模式之间切换。
这4种模式分别是神经元模式、突触模式、电阻器模式和影象电容器模式。
个中，在不掺杂或少量掺杂氢离子的情形下，该材料处于电阻器模式，可以用来存储和处理信息。
在经由一个电子脉冲刺激后，该硬件可切换到影象电容器模式。影象电容器是模拟大脑构造神经网络系统的常见元件。
神经元模式会积累多个旗子暗记，此时元件电阻会发生明显变革，可以仿照人类大脑神经元被刺激时的活动状态。
突触模式则是根据神经元旗子暗记的强度来转换输入。
之以是会想到向钙钛矿这种材料中掺入氢，是由于研究职员想要利用神经拟态打算来构建这一新器件。
这是一种不同于普通冯·诺依曼打算体系的构造，它紧张通过仿照人脑神经元和突触的活动来完成机器学习任务。
它最大的好处便是可以降落打算能耗，这对付办理未来更繁芜、更大规模的AI打算具有重大意义。
由此一来，在进行AI打算时，便无需在硬件上激活、关闭不同的部分，只需掌握硬件调度到相应模式即可。
研究职员还表示，这种电子器件的内部是亚稳定状态，可以保持6个月不用更换氢离子。
实验结果那么，这种硬件在不同神经网络中的表现如何？就成为了验证其性能的关键。
在这里，研究职员利用了两个神经网络作为测试。
第一个是一种储层打算网络，这是一种仿照人类大脑运作办法的机器学习系统。
它的运作过程是将信息输入到一个储层，个中的数据以各种办法连接在一起，然后这些数据再被送出储层进行剖析。
由此一来，该网络也就无需预演习大量数据，仅对输出前的末了一层网络做梯度低落即可。
个中的关键储层，将分别用这次提出的新电子器件和传统硬件来完成运算。
与传统理论储层和实验储层比较，这种新型储层（H-NNO）在MINIST（手写数字识别）、SpokenDight（音频数字识别）、ECGHeartBeat（心率识别）三个任务上都能利用更少的设备、实现相同的性能。
均匀性能则分别赶过1.4倍、1.2倍和5.1倍。
此外，基于这一新型电子器件设计的动态神经网络，在处理增量学习上的表现也非常好。
如下网络（GWR）是一个可以识别红鸟、黄鸟的系统。空想状态下，当网络检测到新类型（蓝鸟）的输入时，系统会通过增加节点的办法来扩大网络规模。
如果个中任何一类动物永劫光没有涌如今输入中，其对应的节点也会随之关闭，以此来节省能耗。
研究职员连续利用了手写数字识别这一数据集来进行测试。
首先，他们让网络识别0-4范围内的数字。然后将范围扩大到0-9演习一段韶光，之后再只识别0-4。
结果显示，随着后来5-9的数字不再涌现，网络中的干系节点也在逐渐关闭。
下图i-iii中，数字表示对应打开节点，玄色区域则表示关闭的节点。
再将这一动态神经网络与静态网络比拟，研究职员创造在增量学习场景下，对付MNIST、CUB-200两个数据集，动态网络的表现都更好。
从如下图B-E中可以看到，在MINIST数据集测试中，动态网络终极准确性是静态网络的2.1倍；数据集CUB-200的终极准确性则是静态网路的2.5倍。
北航张海天教授为共同一作及通讯作者
北京航空航天算夜学张海天教授为该论文的共同一作及通讯作者。
他博士毕业于美国宾夕法尼亚州立大学材料科学与工程专业。
2018年得到美国吉尔布雷斯学者基金（Gilbreth Research Fellow），于普渡大学工程院开展独立研究事情（互助教授：Shriram Ramanathan以及Kaushik Roy）。
去年9月，张海天全职加入北京航空航天算夜学材料科学与工程学院。
紧张研究领域为功能相变材料的调控及神经打算学器件运用、磁性功能材料、纳米材料等。
论文链接：https://www.science.org/doi/10.1126/science.abj7943
参考链接：https://arstechnica.com/science/2022/02/hydrogen-soaked-crystal-lets-neural-networks-expand-to-match-a-problem/
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一韶光获知前沿科技动态
