储能器件也可以计算：一种新型的神经形态器件 | NSR
近日，《国家科学评论》（National Science Review, NSR）刊发了中国科学院半导体研究所王丽丽研究员团队与北京理工大学沈国震教授、香港科技大学范智勇教授合作研究成果：研究人员利用储能设备（FMES）的离子迁移特性，构建了能够模拟突触间隙信息传输的人工突触器件。该器件能够进行低能量计算，并有望解决部分神经形态系统存在的高写入噪声、非线性差，以及零偏压下的扩散等问题。
神经形态计算是一种模拟人脑效率，具有多功能性和灵活性的信息处理模型。目前，以忆阻器为代表的人工突触器件已经被广泛的应用于神经形态计算，并构建多种类型的神经网络。然而，传统的人工突触器件存储的权重固定、重新部署费时费力，并且突触强度主要通过软件编程和改变脉冲时间来重建，可能导致神经形态计算的低效率和高能耗。
针对这一挑战，研究人员利用微纳加工方法，设计了一种基于可调柔性能量存储装置（FMES）系统的新型神经形态计算系统。该系统包括柔性突触后电极和MXene纳米片，并通过电解质与突触前电极相连。超级电容器离子迁移和吸附过程中的电位变化，即可模拟突触间隙的信息传输。FMES系统的电压表示两个神经元之间连接的突触权重。
基于可调柔性能量存储装置系统的新型神经形态计算系统
为研究电阻对FMES人工突触系统高级学习记忆行为的影响，研究人员探索了不同电阻水平下双脉冲易化（PPF）的变化。结果表明，标准差越大，系统的记忆能力越强。即，随着电阻和刺激时间的不断提高，FMES人工突触系统的记忆能力逐渐提高。因此，该系统可以在不改变外部刺激的条件下，通过调控系统中的阻值，来控制离子的积累和消散，从而有望实现传感信号和存储权重W的耦合。
FMES系统可以用于构建神经网络，实现多种神经形态计算任务，使得手写数字集的识别准确度达到了95%。
神经形态计算的准确性
此外，FMES系统可以模拟人大脑的自适应性，实现对相似目标数据集的自适应识别，经过训练后的自适应识别准确率可达80%左右，并避免重新计算造成的时间和能量损失。
数字识别的自适应仿真
未来，在这项研究的基础上可以结合不同类型传感器片上集成，进一步实现多模态感算一体架构。
上述研究工作得到了中科院高层次人才引入计划，国家自然科学基金和中科院战略先导项目的经费支持。论文第一作者为中科院半导体研究所赵淑芳和冉文浩博士。
中国科学院半导体研究所王丽丽研究员团队主页：http://www.sschip-lab.com/
Neuromorphic-computing-based adaptive learning using ion dynamics in flexible energy storage devices
https://doi.org/10.1093/nsr/nwac158