利用基于忆阻器的神经形态计算技术进行的高效节能水质建模

《npj Clean Water》：Energy-efficient water quality modeling using memristor-based neuromorphic computing

　　

摘要

在多源大数据和云计算的支持下，人工智能（AI）正在改变环境监测和建模的方式。然而，许多高性能AI模型依赖于高性能计算，这会消耗大量电能，并可能限制它们在长期边缘设备上进行水质预测的能力。因此，人们开始探索低功耗的片上计算方法。本研究提出了一种基于忆阻器的突触神经网络（SyNN）框架，作为一种考虑设备特性的预硬件评估平台。在该框架中，突触权重的更新依据实验测得的N型掺杂TaO_x忆阻器的脉冲驱动长期增强和长期抑制行为来进行。这种忆阻器在重复循环过程中表现出稳健、可重复的非易失性开关特性以及稳定的电阻状态。研究利用水文和气象观测数据来预测水质参数，包括溶解氧、总氮、总有机碳、总磷和叶绿素-a。SyNN模型的预测结果显示，其对溶解氧和总磷的预测效果相对可靠，而叶绿素-a的预测难度较大。进一步的敏感性分析探讨了忆阻器相关非理想特性对模型性能的影响。Shapley加性解释（SHAP）分析表明，温度相关因素提供了稳定的基线控制，而在水文事件期间，流量和降雨量成为关键影响因素。该框架有望通过减轻计算负担，并为在河流环境变化条件下的低功耗自适应监测提供设备感知基础，从而推动未来片上水质预测技术的发展。

此图片的替代文本可能是由AI生成的。