储备池计算机使微机电系统器件首次实现神经网络应用

加拿大舍布鲁克大学的研究人员报告了其采用微机电系统（MEMS）建造除了全球首个储备池计算器件，该神经网络利用微尺度硅光束的非线性动力学来进行计算。该小组的工作旨在创建出可同时作为传感器和计算机的器件，能耗只是现有普通计算机的一小部分。

在图中，单个硅光束（红色）及其驱动（黄色）和读出（绿色和蓝色）电极，实现了基于MEMS的神经网络计算。

储备池计算

随着人工智能变得越来越复杂，激发了人们开发物理架构模拟人脑的新计算机。其中一种方法，被称为储备池计算，是一种适合处理时序信号的简单高效的机器学习算法，可使硬件能够实现新兴人工智能所需的更高维度计算，能够提高典型神经网络的性能，减少训练所需的时间。相比在传统电子计算机上用软件实现的方式,储备池计算在光器件上的实现方式将更有利于超高速和超低功耗的信息处理，但在过去这种改进需要使用更大的光学元件。

此前用忆阻器实现

2017年12月，密歇根大学电气工程和计算机科学教授 Wei Lu研究团队在《自然·通信》上发表了一项研究成果，使用忆阻器创造了储备池计算系统，其好处在于所需空间较小，可以更容易地集成到现有的硅基电子器件中。研究人员表示，使用忆阻器构成的储备池计算系统可以跳过大部分昂贵的训练过程，并且可以提供网络记忆功能，这是因为系统中最关键的组成部分储备池不需要训练。

此次研究进展

该器件依赖于硅光束（宽度仅是人头发的1/20）如何在空间振荡的非线性动力学。振荡的结果用于构建虚拟神经网络，该网络将输入信号投影到神经网络计算所需的更高维空间中。

在演示中，系统能够相对轻松地在神经网络的不同常见基准任务之间切换。Dion说，对于语音分类和处理二进制模式精度分别达到78.2％和99.9％。显示出极小机械系统实现这些计算的潜力。

自评

论文作者Guillaume Dion说：“储备池计算通常只在软件中完成，计算机效率低下。目前，许多传感器都采用MEMS制造，因此像我们这样的器件将成为模糊传感器和计算机之间边界的理想技术。”

论文的另一位作者Julien Sylvestre说：“这种微小的硅光束可以完成不同的任务。通过调整使其在识别单词方面表现良好，这非常容易。”

下一步工作

Sylvestre表示，他和同事正在寻求使用硅光束器件探索日益复杂的计算，希望开发小型节能传感器和机器人控制器。

参考文献

Reservoir computing with a single delay-coupled non-linear mechanical oscillator,"Journal of Applied Physics(2018).DOI: 10.1063/1.5038038

《应用物理杂志》反映物理和材料学领域的新发展，部分进展有望开发出未来大规模集成“神经形态”系统，进行超出当前半导体限制的计算。