单个半导体器件也能计算XOR，组合后还可分类图像，荷兰华人学者最新研究登上Nature

晓查 发自 凹非寺 量子位 报道 | 公众号 QbitAI

最近，一篇登上Science的最新研究可谓轰动了整个AI界。

生物学家们发现，人类的单个神经元也可以进行异或（XOR）运算，效率远高于我们现在的人工神经网络（ANN）。

ANN要实现一个异或运算，至少需要2层神经网络。

现在，来自荷兰特温特大学一篇登上Nature的论文，再次打破我们的认知。

他们发明了一种新的硅半导体器件，利用量子力学的隧道效应，可以在单个器件上进行任意逻辑运算，当然也包括异或。

他们将这种器件并行组合，用来处理机器学习中的MNIST图像分类任务，达到了96%的准确率。

而且它的制造方法与现在的半导体器件基本相同，可以做到无缝衔接。

他们到底是如何做到的呢？首先要从量子力学说起。

基本原理

电流流过电路，就像水流流过河流。当河面降低到断流的程度，水就会留在河道的一些坑里。

水分子无法从一个坑跳进另一个坑里，但是电子却可以在电路的“坑”之间跳跃。当电子之间被几纳米的绝缘体隔开时，它们有一定几率穿过绝缘体到达另一边。

这就是量子力学中的隧道效应。

之前已经有研究人员在硅表面沉积一些金纳米颗粒，作为电子的坑，坑之间由绝缘分子隔开。

电路中还加入了一组控制信号（红色部分），各个位置的信号不同，坑之间的壁垒形状就会发生改变，从而控制电子在坑之间的跳跃路线。

但是这种掺杂工艺比较复杂，Chen Tao等人用了一种更常见的方式，往N型半导体硅中掺入硼原子，由此来制造电子坑。

这种制造工艺与现在工业上使用的掺杂工艺相同，因此可以与现有的半导体器件更好地结合。

异或运算

这种器件可以直接进行六种常见的逻辑运算：与、或、与非、或非、异或、同或。

它是通过非线性投影简化了分类问题。在异或运算中，分类正方形的两组顶点不能在二维空间中实现。但是把这个问题放到三维空间时，就可以找到决策边界。

经过掺杂的半导体的势能曲面形成了一个高维特征空间的映射关系。通过加入的5个控制电极可以调节曲面的形状，从而控制电荷的走向。

我们可以通过简单地调整5个控制电压，对单个电路进行重新编程，执行任何两个输入的逻辑运算。

图像分类

为了进一步提升这种硅器件设的潜力，研究人员设计了一种电路，可以对所有16种可能的4个二进制输入进行分类，其中0表示线路上没有电流输入，而1则表示有电流输入。

比如，在某一种控制电压的组合下，1011对应的电流最大，我们就可以提取出这种像素组合的特征。

当然，如果只能对4位二进制数据进行分类还远远谈不上机器学习。研究人员将2×2的特征提取并行组合，测试了MNIST手写数字图像的分类。

我们知道，MNIST数据集是一组28×28的黑白图片。研究人员将图像分为多个2×2的方块，然后将数据输入上面设计的分类器中，再将这种分类器提取出的结果输入到常规硬件中，执行机器学习算法。

由此得到了27×27×16的特征向量，最后将这组特征进行回归运算，求出对应的分类。

在1万张MNIST手写图片测试集上，这种器件实现了96%的正确率，分类结果的混淆矩阵如下：

实验也证明了，研究人员发明的分类器设备可以并行运算，而不会产生任何冲突。在当前机器学习算法中，用于执行运算的设置限制了分类器的运行速度，进而限制了能效。

这篇文章提出的器件可以替代现有硬件，以极大地提高电路在执行AI运算时的速度和能效。

关于作者

本文的第一作者Chen Tao现在是荷兰特温特大学BRAINS中心的博士后研究员。

他2007年从武汉理工大学精密仪器专业毕业，2010年获得清华大学微电子学硕士学位，2014年在爱丁堡大学获得电子工程学博士学位。

目前，Chen Tao在特温特大学研究方向是神经形态计算材料的物理特性。

论文地址： https://www.nature.com/articles/s41586-019-1901-0

作者系网易新闻·网易号“各有态度”签约作者