中国科学院と香港大学のチームは、低エネルギー消費と低消費時間を実現する新しい方法を使用して、ウェアラブルセンサーの内部貯留層計算のマルチタスク学習を実行します。

センサー内マルチタスク学習は、生物視覚の重要な利点であるだけでなく、人工知能の主要な目標でもあります。ただし、従来のシリコン ビジョン チップには大きな時間とエネルギーのオーバーヘッドがあります。さらに、従来の深層学習モデルのトレーニングは、エッジ デバイスでは拡張性がなく、手頃な価格でもありません。

ここでは、中国科学院と香港大学の研究チームが、低いオーバーヘッドで人間の網膜の学習パラダイムをシミュレートする材料アルゴリズムの共同設計を提案しています。効率的な励起子解離と空間電荷輸送特性を備えたボトルブラシ型半導体 p-NDI に基づいて、さまざまなタスク特性、減衰メモリ、およびエコー状態特性において優れた分離性を示すウェアラブル トランジスタ ベースのダイナミック センサー リザーバー コンピューティング システムが開発されています。

メムリスティブ有機ダイオードの「読み取り機能」と組み合わせることで、RC は手書きの文字と数字を認識し、さまざまな衣類を 98.04%、88.18%、91.76% の精度で分類できます。 (報告されているすべての有機半導体よりも高い)。

2D 画像に加えて、RC の時空間ダイナミクスはイベントベースのビデオから自然に特徴を抽出し、3 種類のジェスチャーを 98.62% の精度で分類します。さらに、計算コストは​​従来の人工ニューラル ネットワークよりも大幅に低くなります。この研究は、手頃な価格で効率的なフォトニックニューロモーフィックシステムのための有望な材料とアルゴリズムの共同設計を提供します。

研究のタイトルは「マルチタスク学習のための空間電荷輸送特性を備えた光電子ポリマーを使用したウェアラブル・インセンサー・リザーバー・コンピューティング」であり、公開される予定です。 in 2023 1月28日「Nature Communications」に掲載されました。

人間の網膜は、感知するだけでなく、豊富な動的信号を収集することで光信号を同時に処理し、それによって下流の視覚野における課題関連の学習を促進します。網膜と視覚野の相乗効果は、マルチタスクを効率的、コンパクトかつ迅速に学習する脳の能力の基礎となっており、汎用人工知能 (AGI) の基本的な目標です。

対照的に、物理的に分離されたセンシング、処理、およびストレージユニットを備えた従来のシリコンビジョンチップでは、これらのユニット間で大規模かつ頻繁にデータが往復するため、多大な時間とオーバーヘッドが発生します。これは、逐次的なアナログからデジタルへの変換と同様に、潜在的なエネルギー効率の根本的な制限です。この状況は、ムーアの法則の減速によってさらに悪化しています。さらに、時間信号のリカレント ニューラル ネットワークなどの従来の深層学習モデルでの学習では、非常に特殊なタスク (時間にわたる逆伝播による勾配降下法、BPTT など) に関する退屈なトレーニングが使用されますが、これはバッテリー アクセスとフォーム ファクターの点で困難です。フォームファクターが限られたエッジデバイスでは、スケーラブルでも手頃な価格でもありません。

人間の網膜と手頃な価格の学習パラダイムをシミュレートするために多大な努力が払われてきました。材料的には、欠陥と不純物サイトを有するMoS2、SnとSに関係する二重型欠陥状態を有するSnS、層状酸化物などの無機光応答性二次元半導体黒リンの関連欠陥、強い光制御効果を示すペロブスカイト量子ドット、h-BN/WSe2 ヘテロ構造と電子を捕捉・放出できる性能入札 状態変化する MoO #xxx は人工網膜に最も広く使用されている材料です。さらに、PDVT-10、クロロフィルドープ PDPP4T、ペンタセン/シルクおよび CD 二重層など、本質的に生体適合性、ウェアラブル、スケーラブルな有機半導体は、より忠実な方法で生物学的対応物を模倣します。

アルゴリズムの観点から見ると、リザーバー コンピューティング (RC) は、固定動的システムのフェージング メモリを収集することで時間信号を特徴空間に非線形に投影し、有望なエッジ学習ソリューションと考えられています。 RC の学習は長期記憶の読み出し層に限定されるため、従来の深層学習モデルと比較してトレーニング コストが大幅に削減されます。しかし、効率的な人工網膜と手頃な価格の RC ベースのエッジ学習を組み合わせて、生体模倣ニューロモーフィック ビジョンのマルチタスクの可能性を解き放つペアマテリアル アルゴリズムはまだ考案されていません。

#図: 従来の半導体と p-NDI、および内部の RC システムの光電流応答の比較センサー 半導体設計原理の詳細。 (出典: 論文)

ここで、中国科学院と香港大学の研究者らは、効率的な励起子解離と全空間電荷輸送特性を備えた光応答性半導体ポリマー (p-NDI) の材料アルゴリズム共同設計を提案しています。 、マルチタスク パターン分類用のセンサー内 RC を構築します。この柔軟なニューロモーフィック デバイスは、p-NDI 半導体チャネルを備えた 3 端子トランジスタに基づいています。優れた光応答挙動と非線形フェージングメモリにより、このデバイスは光入力をその場で同時に感知、記憶、前処理することができます (つまり、コントラスト強調とノイズ低減)。

#図: マルチタスク分類のパフォーマンス。 (出典: 論文)

さらに、ポリマーにおける励起子の解離/電荷再結合ダイナミクス、光ゲート効果、および空間を通過する電荷輸送特性の間の相乗効果により、トランジスタベースのダイナミック RC システムは、さまざまなタスクで優れた分離性、減衰メモリ、およびエコー状態特性を示します。これらの RC ベースの網膜は、メムリスティブ有機イオン ゲル ダイオードに実装された「読み出し機能」と組み合わされています。

すべての有機光電子材料が提供する信号前処理とダイナミック RC の相乗機能により、手書きの文字と数字の識別とさまざまな衣類の分類でそれぞれ 98.04%、88.18%、91.76 の精度を達成しました。 %、これは衣服のスタイルとサイズについてのマルチタスク学習を意味します。システムの全体的な精度は 88.00% で、衣服を正確に識別するだけでなく、衣服のサイズも正確に識別します。 2D 画像であるにもかかわらず、RC の時空間ダイナミクスを使用して、左手を振る、右手を振る、拍手のジェスチャーのイベントベースのビデオを 98.62% の精度で分類しました。

#図: DVSGesture128 データセットを使用したイベントベースのビデオ分類。 (出典: 論文)

ただし、この p-NDI トランジスタベースの RC には、シナプス有機電気化学トランジスタで広く使用されている液体電解質が含まれていないため、信頼性が向上します。操作性。この研究は、マルチタスク学習機能を備えた、ウェアラブルで手頃な価格の効率的なフォトニックニューロモーフィックシステムのための、有望な材料とアルゴリズムの共同設計戦略を提供します。

論文リンク: https://www.nature.com/articles/s41467-023-36205-9

以上が中国科学院と香港大学のチームは、低エネルギー消費と低消費時間を実現する新しい方法を使用して、ウェアラブルセンサーの内部貯留層計算のマルチタスク学習を実行します。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。