儲層計算（Reservoir Computing，RC）是一個從循環神經網絡理論中得出來的計算框架。該框架有可能減少數據處理時間，同時還可以提高神經形態設備的能效。

北京大學的研究人員推出了一種基于α-硒化銦（α-In2Se3）的新型人工突觸，有助于更有效地在神經形態設備中重建生物神經過程。這種突觸可能對儲層計算應用具有非常重要的意義。

北京大學教授、人工智能研究院類腦智能芯片研究中心主任楊玉超說：「我們的想法源于對一種簡單策略的需求，該策略可用于利用物理系統的動態響應進行計算，而物理儲層計算是實現這一目標的有前途的框架，In2Se3是一種非常有趣的材料，也是儲層計算的良好平臺，其豐富的物理特性支持創建多模式、多尺度的儲層計算系統，我們希望這將擴展物理儲層計算的應用場景。」

該研究以「 An optoelectronic synapse based on α-In2Se3 with controllable temporal dynamics for multimode and multiscale reservoir computing 」為題，發布在《Nature Electronics》上。

論文鏈接：?https://www.nature.com/articles/s41928-022-00847-2?

基于新興設備的神經形態計算可以克服馮·諾依曼瓶頸——必須在內存和處理單元之間傳輸數據所產生的限制，并有助于提供節能的數據處理。

儲層計算依賴于人工突觸的使用，可以直接運行深度學習算法，而無需在內存和處理單元之間傳輸數據。

二維鐵電材料具有有趣的物理特性、小型化能力以及在記憶和神經形態計算方面的潛在應用。特別是范德瓦爾斯半導體材料 α-In2Se3 具有許多優越的光電、鐵電和半導體特性，使其成為制造這些人工突觸的理想候選材料。

「In2Se3 同時具有兩個有趣的固有物理特性，即鐵電開關和光電響應，」楊玉超教授解釋道。「我們構建了一個平面設備，利用平面內鐵電極化進行電突觸，同時還引入光作為第三終端以實現光電響應。這種獨特的結構有效地結合了兩種物理特性，可以利用鐵電和光電的耦合來實現異突觸塑性和更高水平的計算功能。」

圖 1：具有異突觸可塑性的 α-In2Se3 突觸。（來源：論文）

在這里，研究人員報告了一種基于鐵電 α-In2Se3 的光電突觸，具有動態時間響應，可提供多模和多尺度信號處理。突觸中鐵電和光電過程之間的緊密耦合可用于實現異突觸可塑性，其弛豫時間尺度可通過光強度或背柵電壓進行調節。

圖 2 和圖 3 揭示了同一突觸裝置中電和光刺激的時間動力學，這分別歸因于 α-In2Se3 的鐵電和光電特性，因此提供了兩個自由度來調節裝置動力學。更重要的是，如果這兩個不同的物理過程之間存在相互作用，則耦合可能會產生更復雜的突觸功能。

圖 2：基于鐵電 α-In2Se3 的電突觸。（來源：論文）

圖 3：基于 α-In2Se3 光學響應的光電突觸。（來源：論文）

事實上，當設備上的光照被視為第三個調節終端，而 α-In2Se3 突觸通過電刺激進行調節時（圖 4），可以實現異突觸可塑性。研究結果表明，可以采用恒定光來通過電刺激來調制鐵電開關過程。

圖 4：具有光/背柵作為調制終端的 α-In2Se3 器件的異質突觸可塑性。（來源：論文）

當人工神經網絡 (ANN) 用于處理多模式輸入時，關鍵挑戰在于實現多感官融合。每個模態的特征提取可以由儲層單獨進行，其中每個儲層響應一種類型的輸入信號（例如，'EEEE'，'LLLL'），然后將特征組合并按讀出層。值得注意的是，如果一個儲層可以同時響應不同類型的輸入信號，則可以實現混合輸入（例如，'EEEL'、'EELL'和'ELLL'）儲層計算，其中可以同時進行特征提取和多感官融合在儲層內實現，因此提高了效率。

為了評估他們的人工突觸的性能，研究人員構建了一個多模式的儲層計算系統。然后，他們在手寫數字識別任務和二維碼識別任務中測試了該系統的性能。他們發現它取得了可喜的成果，成功地處理了這兩項數據處理任務，準確率超過 80%。

圖 5：混合輸入儲層計算的多模式手寫數字識別。（來源：論文）

為了更有效地提取特征并進一步提高計算性能，需要在多個時間尺度上運行的 RC 系統來提取各種尺度的特征。然而，構建在不同時間尺度工作的 RC 系統需要具有可調弛豫時間的設備。傳統短期器件中的弛豫時間只能通過控制制造條件來調整，但在特定器件中是固定的。然而，α-In2Se3 器件的弛豫時間可以通過光或背柵電壓輕松調整，完全滿足 RC 系統在不同時間尺度下運行的要求。

圖 6：使用具有可調弛豫時間的憶阻器進行多時間尺度儲層計算。（來源：論文）

作為這項研究的一部分實現的人工突觸，可能很快會為儲層計算開辟新的有趣的可能性。此外，可以進一步開發使用該突觸創建的儲層計算系統，以處理其他復雜的信息處理和數據分析任務。

「我們對多模式和多尺度儲層計算系統的展示，從根本上擴展了儲層計算系統的處理能力，」楊玉超教授補充道。「在我們最近的研究中，我們專注于計算應用，但在未來，我們還希望實現一個完全集成的神經形態系統，包括信息感知。」

相關報道：?https://techxplore.com/news/2022-11-optoelectronic-synapse-reservoir-based-alpha-indium.html?