北航张海天教授为共同一作兼通讯作者
明敏 发自 凹非寺
非常AI | 公众号 QbitAI
用钙钛矿取代硅研制电子器件，居然还能被用来完成AI计算？？？
众所周知，钙钛矿作为一种重要的材料，掺杂后主要用于生产SCI及博士论文（手动狗头）。
这次被用在开发新型AI电子器件上，还登上了Science，结果让人眼前一亮：
其心律识别任务的平均性能是传统硬件的5.1倍，并且还能灵活模拟动态网络、降低训练能耗。
用神经形态计算降能耗
这项研究主要是通过向钙钛矿中掺入不同量的氢，来模拟人类神经元活动，从而完成不同机器学习任务。
这主要是基于钙钛矿自身的特性。
钙钛矿具备独特的晶体结构，很容易吸收氢离子。氢离子的加入可以改变材料的导电性，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。
在这里研究人员使用了一种混合了钕和镍的钙钛矿材料。
通过向这一材料中混合不同含量的氢离子，来改变元件的不同状态，以此实现对大脑神经元活动的模拟。
具体来看，在这种材料中加入大量氢离子后，它的电子最终会转移到镍原子上，导致原子电性发生改变，进而影响材料的导电性。
这时，施加外部电场可以控制氢的电子转移；再控制氢的含量，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，该材料处于电阻器模式，可以用来存储和处理信息。
在经过一个电子脉冲刺激后，该硬件可切换到记忆电容器模式。记忆电容器是模仿大脑神经网络系统的常见元件。
神经元模式会积累多个信号，此时元件电阻会发生明显变化，可以模拟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信号的强度来转换输入。
之所以会想到向钙钛矿这种材料中掺入氢，是因为研究人员想要利用神经拟态计算来构建这一新器件。
这是一种不同于普通冯·诺依曼计算体系的结构，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。
它最大的好处就是可以降低计算能耗，这对于解决未来更复杂、更大规模的AI计算具有重大意义。
由此一来，在进行AI计算时，便无需在硬件上激活、关闭不同的部分，只需控制硬件调整到相应模式即可。
研究人员还表示，这种电子器件的内部是亚稳定状态，可以保持6个月不用替换氢离子。
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，研究人员使用了两个神经网络作为测试。
第一个是一种储层计算网络，这是一种模拟人类大脑运作方式的机器学习系统。
它的运作过程是将信息输入到一个储层，其中的数据以各种方式连接在一起，然后这些数据再被送出储层进行分析。
由此一来，该网络也就无需预训练大量数据，仅对输出前的最后一层网络做梯度下降即可。
其中的关键储层，将分别用此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相比，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）三个任务上都能使用更少的设备、实现相同的性能。
平均性能则分别高出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。理想状态下，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方式来扩大网络规模。
如果其中任何一类动物长时间没有出现在输入中，其对应的节点也会随之关闭，以此来节省能耗。
研究人员继续使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训练一段时间，之后再只识别0-4。
结果显示，随着后来5-9的数字不再出现，网络中的相关节点也在逐渐关闭。
下图i-iii中，数字表示对应打开节点，黑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对比，研究人员发现在增量学习场景下，对于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，动态网络最终准确性是静态网络的2.1倍；数据集CUB-200的最终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
北京航空航天大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年获得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工作（合作教授：Shriram Ramanathan以及Kaushik Roy）。
去年9月，张海天全职加入北京航空航天大学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学器件应用、磁性功能材料、纳米材料等。
