本文由AI新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处。用钙钛矿代替硅开发电子设备还能用来完成AI计算？？？众所周知，钙钛矿作为一种重要材料，掺杂后主要用于制作SCI和博士论文（手工狗头）。这次被用来开发新的AI电子设备，也登上了Science。结果令人印象深刻：心律识别任务的平均性能是传统硬件的5.1倍，并且可以灵活地模拟动态网络并降低训练性能。消耗。利用神经拟态计算降低能耗这项研究主要通过在钙钛矿中掺杂不同量的氢来模拟人类神经元活动，以完成不同的机器学习任务。这主要是基于钙钛矿本身的特性。钙钛矿具有独特的晶体结构，很容易吸收氢离子。氢离子的加入可以改变材料的导电性，从而使该材料成为可切换的人工智能电子设备。在这里，研究人员使用了一种混合了钕和镍的钙钛矿材料。通过将不同量的氢离子混合到这种材料中，可以改变成分的不同状态，以模拟大脑中神经元的活动。具体来说，这种材料加入大量氢离子后，其电子最终会转移到镍原子上，导致原子的电学性质发生变化，进而影响材料的导电性。此时，施加外电场可以控制氢的电子转移；然后控制氢的含量可以使电子元件在四种不同模式之间切换。四种模式是神经元模式、突触模式、电阻器模式和记忆电容器模式。其中，在不掺杂或少量掺杂氢离子的情况下，材料呈电阻模式，可用于存储和处理信息。在受到电脉冲刺激后，硬件切换到记忆电容器模式。记忆电容器是模仿大脑结构的神经网络系统中的常见组件。神经元的图案会累积多个信号，此时元件的电阻会发生显着变化，模拟人脑神经元受到刺激时的活动。突触模式根据神经元信号的强度切换输入。将氢掺杂到钙钛矿材料中的想法之所以产生，是因为研究人员想使用神经拟态计算来构建这种新设备。这是一个不同于普通冯诺依曼计算系统的结构。它主要通过模拟人脑神经元和突触的活动来完成机器学习任务。它最大的好处是可以降低计算能耗，这对于解决未来更复杂、更大规模的人工智能计算具有重要意义。这样一来，在进行AI计算时，不需要在硬件上激活和关闭不同的部分，只需要控制硬件调整到相应的模式即可。研究人员还表明，电子设备的内部处于亚稳态，可以持续六个月而无需更换氢离子。实验结果那么，这个硬件在不同的神经网络上表现如何？成为验证其性能的关键。在这里，研究人员使用了两个神经网络作为测试。第一个是储层计算网络，这是一个模仿人脑工作方式的机器学习系统。它的工作原理是将信息输入储层，数据以各种方式链接在一起，然后将数据从储层中发送出去进行分析。这样一来，网络不需要预训练大量数据，只需要在输出前对网络的最后一层做梯度下降。重点水库将采用本次提出的新型电子设备和传统硬件来完成计算。与传统的理论库和实验库相比，这种新型库（H-NNO）可用于MINIST（手写数字识别）、SpokenDight（音频数字识别）和ECGHeartBeat（心率识别）三个任务。更少的设备，达到同样的性能。平均性能分别高出1.4倍、1.2倍和5.1倍。此外，基于这种新型电子设备设计的动态神经网络在处理增量学习方面也表现出色。下面的网络（GWR）是一个可以识别红鸟和黄鸟的系统。理想情况下，当网络检测到一种新型输入（蓝鸟）时，系统将通过添加节点来增加网络规模。如果这些动物中的任何一只长时间没有出现在输入中，它对应的节点也会被关闭，从而节省能量消耗。研究人员继续使用手写数字识别数据集进行测试。首先，他们要求网络识别0-4范围内的数字。然后把范围扩大到0-9一段时间，然后只认0-4。结果显示，随着数字5-9之后不再出现，网络中的相关节点逐渐关闭。下图i-iii中，数字表示对应的开放节点，黑色区域表示封闭节点。将这种动态神经网络与静态网络进行比较，研究人员发现，在增量学习场景中，动态网络对于MNIST和CUB-200数据集的表现都更好。从下图B-E可以看出，在MINIST数据集测试中，动态网络最终的准确率是静态网络的2.1倍；数据集CUB-200最终准确率是静态网络的2.5倍。北京航空航天大学张海天教授为该论文的共同第一作者和通讯作者北京航空航天大学张海天教授为该论文的共同第一作者和通讯作者。他拥有博士学位。宾夕法尼亚州立大学材料科学与工程学士学位。2018年获美国GilbrethResearchFellow，在普渡大学工程学院开展独立研究工作（合作教授：ShriramRamanathan和KaushikRoy）。去年9月，张海天全职加入北航材料科学与工程学院。主要研究领域为功能相变材料的调控及神经计算器件的应用、磁性功能材料、纳米材料等。论文链接：https://www.science.org/doi/10.1126/science.abj7943
