南京大學萬青、萬昌錦團隊聯合李昀教授研究團隊，構建了基於憶電容突觸的多感知物理儲備池計算系統。該器件不依賴於電流機制進行讀寫，而是開創性地利用了電容性耦合的極化翻轉和電荷捕獲機制，為RC提供非線性和狀態豐富度。該器件在功耗（~113.4 飛焦/尖峰）和多感知任務的適用性方面（適用於7種時序訊號的處理）均優於已報道的電阻型RC。受益於這種憶電容型RC的魯棒性和多功能性，該團隊演示了用於虛擬購物系統的非接觸式使用者介面，這對於高能效人機介面和邊緣計算裝置具有深遠意義。
該研究成果以「Power-Efficient Multisensory Reservoir Computing Based on Zr-Doped HfO2 Memcapacitive Synapse Arrays」為題，發表於Advanced Materials。
自然界中的處理系統，如人類的大腦，具有高度非線性的動態特征，這啟發了迴圈神經網路（RNN）。RNN利用過去的輸入資訊來影響當前的輸入和輸出，在處理連續數據如語音、文本、音訊和天氣方面表現出卓越的效能。儲備池計算（RC）是RNN模型的一種衍生方法，透過儲層將輸入數據轉化為高維空間中的時空模式，實作更高效、低成本的訓練過程。最近的一個新興趨勢是利用材料內在動力學構建實體層面的RC，因為物理RC被認為比基於軟體的RC具有更高的能效。另外，物理RC器件對物聯網、可穿戴電子裝置和植入式電子裝置等邊緣計算裝置具有潛在價值。然而，現有的物理RC通常為電阻型器件，需要較大的讀寫電流（如幾十納安級）以及後續的電流-電壓轉換電路，導致能耗較高。因此，探索新的機制，構建以更少能量工作的物理RC器件，將是解決邊緣計算裝置算力不足的重要方案之一（圖1）。
圖1. 基於物理儲備池的多感知人機介面示意圖
該團隊報道了一種基於鋯摻雜鉿基氧化物憶電容器件（OMC）（圖2）。在三端結構的設計下，器件的輸出電壓可以透過監測響應於輸入訊號的電荷捕獲和極化切換產生的界面電勢實作直接讀取，並展現出良好的非線性和衰退記憶特性。其工作電流始終低於 0.01nA/μm，在RC系統工作過程中，展現出~113.4 飛焦/尖峰的超低能耗。
圖2. 氧化物憶電容器件結構及其非線性輸出特性
得益於基於OMC器件內部衰退記憶的掩膜方法和器件本身豐富的動態特性，憶電容RC系統在語音、肌電、壓力訊號辨識任務中表現出了良好的相容性，辨識率均在94%以上（圖3），在人機互動方面具有巨大的套用潛力。
圖3. 多模式感知的辨識任務結果
該團隊展示了基於OMC器件的虛擬購物系統（圖4），其中購買的商品和操作指令分別基於語音和手勢命令實作。系統可以準確辨識五種語音和四種肌電訊號並表現出優越的抗噪效能。因此，該設計有望為零售業、娛樂業、醫療保健和物聯網裝置中的邊緣計算套用提供穩健、節能的解決方案。
圖4. 基於OMC器件的虛擬購物系統概念驗證
論文連結：https://doi.org/10.1002/adma.202305609
文章來自南京大學新聞網，如有侵權，請聯系刪除
