《Current Opinion in Solid State and Materials Science》:From optoelectronic synapses to physical reservoir computing: materials, progress and application
编辑推荐:
光电子神经形态计算系统通过模拟人脑结构,整合传感、记忆和计算功能,突破冯·诺依曼瓶颈。研究重点新兴材料(二维材料、钙钛矿等)的光电特性及物理 reservoir computing(PRC)的非线性动力学与遗忘记忆机制,在指纹识别、行为分析等任务中实现低功耗实时处理。
理查德·迈克尔·萨普特拉(Richard Michael Saputra)|金孝尚(Hyosang Kim)|姚永志(Yung-Chi Yao)|吴洪硕(Hongseok Oh)|李雅珠(Ya-Ju Lee)
国立成功大学创新半导体与可持续制造学院半导体制造与技术项目,台湾台南市大学路1号,邮编70101
摘要
光电神经形态计算系统通过模仿人脑的结构和功能,旨在克服冯·诺依曼瓶颈。这些系统将感知、存储和计算集成在一个设备中,实现了低功耗和快速的处理速度。其运行与突触可塑性和学习行为密切相关,这些特性由材料本身的性质决定,并受到独特的光-物质相互作用的支持。在本研究中,我们重点介绍了二维材料、钙钛矿、纳米结构以及传统材料等新兴材料平台。这些材料出色的光电性能和简单的制备工艺促进了用于传统神经网络和物理储能计算的光学神经形态设备的发展。特别是,物理储能计算利用了非线性和记忆衰减特性,这使其区别于传统的神经网络。与依赖静态权重更新的传统神经网络不同,储能计算利用系统动态来计算和存储时间信息。最近的演示表明,这类系统在指纹识别和人类行为分析等多种分类任务中表现出实时、低功耗和高精度的性能。
引言
冯·诺依曼架构的特点是内存和处理器在物理上是分离的,目前由于中央处理单元(CPU)的速度和数据带宽的限制,该架构面临着冯·诺依曼瓶颈[1]、[2]、[3]。在这种架构中,CPU和内存之间的持续数据传输会导致显著的能量消耗和延迟,严重限制了整体系统性能。为了解决这些挑战,受到人脑结构和功能启发的神经形态计算被提出作为一种有前景的替代方案[4]、[5]、[6]、[7]、[8]。通过将存储和处理功能集成在一个物理单元中,神经形态系统旨在实现超低功耗和高速运行,从而缓解所谓的“内存墙”问题[9]、[10]、[11]、[12]、[13]。因此,它提供了由复杂而广泛的并行连接带来的卓越能效和强大的学习能力[14]、[15]。在各种神经系统中,视觉通路作为硬件灵感尤其具有吸引力,因为视觉感知占据了人脑处理的大部分感官信息,并且本质上依赖于光刺激[16]、[17]、[18]。在生物视觉中,视网膜不仅充当光探测器,还作为一个复杂的神经预处理单元,以显著的能效执行并行、事件驱动的计算[19]、[20]。
受这一生物学范式的启发,利用光-物质相互作用的光电神经形态设备作为下一代人工智能(AI)系统的自然且有效的平台应运而生,因为它们可以规避传统电子设备的若干固有限制[21]、[22]、[23]。在这些系统中,光照可以像在生物突触中一样作为突触前刺激,通过产生电子-空穴对或光生载流子来调节突触权重。在材料层面,这种光诱导的刺激涉及复杂的动态过程,包括陷阱-捕获机制、载流子复合和离子迁移,这些过程可以引起突触传导性(权重)的暂时性或持久性变化[24]、[25]、[26]。因此,这些行为成功地模拟了神经形态计算的基本功能单元——突触可塑性[27]、[28]、[29]、[30]、[31]、[32]、[33]。基于这些进展,大量的研究工作致力于开发能够再现多种突触功能和神经行为的光电神经形态系统(见图1)。除了展示单个突触响应外,最近的研究越来越多地强调如何利用材料本身的性质和设备物理特性以更物理和动态的方式执行计算。特别是,光生载流子、非线性设备响应和时间松弛动态之间的相互作用不仅控制了突触可塑性,还为信息处理提供了丰富的动态基础。
因此,本综述首先关注光电突触的基本机制以及光生载流子与材料缺陷、界面和离子物种之间的相互作用。第2节系统地阐述了神经形态计算所需的基本突触可塑性,包括突触后电流、短期可塑性、长期可塑性、配对脉冲促进作用和赫布学习规则等。在此基础上,本节进一步阐明了光生载流子的作用,以及这些机制如何在不同的设备架构(如两端设备(例如忆阻器)和三端设备(例如忆阻晶体管)中实现,并讨论了它们对突触可控性、效率和可扩展性的影响。第3节通过展示这些光电突触功能的集体表现,说明了它们如何模拟生物系统中的感觉、感知和记忆过程。基于二维(2D)材料、钙钛矿、铁电材料和纳米结构系统等新兴材料平台的代表性光电突触设备得到了回顾,特别强调了材料性质如何决定设备性能、稳定性和学习精度。
除了突触层面的实现之外,光电设备的固有时间动态和记忆衰减特性自然地促使它们向物理储能计算(PRC)方向发展。因此,第4节介绍了PRC作为一个强大的神经形态框架的概念,该框架利用物理系统的丰富非线性动态来处理复杂的时间数据。与需要密集训练内部权重的传统神经网络不同,PRC利用储能器的固有动态将输入信号映射到高维状态空间,从而实现高效的学习且训练开销最小。最近对PRC系统的演示表明,它们在手写数字识别、指纹识别和人类行为分析等任务中实现了实时、高精度的性能。最后,强调了基于光电平台和传统材料系统的新兴PRC实现,强调了它们在可扩展、节能的神经形态计算方面的潜力。总体而言,本综述旨在连接光电突触的发展和物理储能计算这一新兴范式,提供了从材料和物理角度探讨如何利用光-物质相互作用实现下一代神经形态智能的方法。
部分摘录
光电神经形态设备的基础
神经形态设备,尤其是光电神经形态系统,由于其出色的性能、更简单的架构、更低的能耗和更高的处理精度,以及更易于设备间的集成,已成为有前景的平台。“神经形态”一词指的是将多个突触连接集成并组织成能够进行并行信息处理的神经网络的系统。
新兴材料:二维(2D)材料
二维材料的迅速发展极大地丰富了光电神经形态设备的材料选择。除了石墨烯之外,这一类别还包括过渡金属硫属化合物(TMDCs)、金属氧化物、六方氮化硼(h-BN)、金属碳化物或氮化物(MXenes)以及单元素化合物,如黑磷(BP)和紫磷(VP)。由于它们的维度较低,这些材料支持多种光-物质相互作用机制。
光电系统中的物理储能计算(PRC)
传统的神经形态计算主要针对静态数据模式,如图像和MNIST数据集,通常采用多层感知器(MLP)架构,包括输入层、一个或多个隐藏层和输出层(表3)。这些方法本质上需要提供高度线性导电调制和长时间保持能力的突触设备,因此强调长期记忆特性。性能通常通过测量……
物理储能计算的未来方向和挑战
本综述强调了在不同材料平台上光电突触和物理储能计算(PRC)的发展。这些技术的演变本质上依赖于材料,因为每个平台在性能、稳定性、可控性和集成准备度之间提供了不同的平衡。铅卤化物钙钛矿提供了强烈的光电响应,但引发了毒性问题,而基于锡的对应材料则提供了可调的低功耗……
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
致谢
R.-M.S.、H.K.和Y.-C.Y.对这项工作做出了同等贡献。Y.-J.L.感谢台湾国家科学技术委员会(合同编号NSTC 112-2628-M-006-003-MY3、NSTC 114-2221-E-006-042-MY3和115-2923-M-006-002-MY3)的财政支持。作者感谢使用属于国立成功大学核心设施中心的EM000600、EM003600、EM000800和ESC003700(合同编号NSTC 113-2740-M-006-002)。H.O.感谢……