这个新型AI电子器件没有硅！北航32岁教授共同一作，能模拟大脑神经元，还

用钙钛矿取代硅研制电子器件，居然还能被用来完成 AI 计算众所周知，钙钛矿作为一种重要的材料，掺杂后主要用于生产 SCI 及博士论文这次被用在开发新型 AI 电子器件上，还登上了 Science，结果让人眼前一亮:其心律识别任务的平均性能是传统硬件的 5.1 倍，并且还能灵活模拟动态网络，降低训练能耗

用神经形态计算降能耗

这项研究主要是通过向钙钛矿中掺入不同量的氢，来模拟人类神经元活动，从而完成不同机器学习任务这主要是基于钙钛矿自身的特性钙钛矿具备独特的晶体结构，很容易吸收氢离子氢离子的加入可以改变材料的导电性，由此也就可以让材料制备成一种可切换状态的 AI 电子器件

在这里研究人员使用了一种混合了钕和镍的钙钛矿材料通过向这一材料中混合不同含量的氢离子，来改变元件的不同状态，以此实现对大脑神经元活动的模拟

具体来看，在这种材料中加入大量氢离子后，它的电子最终会转移到镍原子上，导致原子电性发生改变，进而影响材料的导电性这时，施加外部电场可以控制氢的电子转移，再控制氢的含量，则可以让该电子元件在 4 种不同模式之间切换这 4 种模式分别是神经元模式，突触模式，电阻器模式和记忆电容器模式

其中，在不掺杂或少量掺杂氢离子的情况下，该材料处于电阻器模式，可以用来存储和处理信息在经过一个电子脉冲刺激后，该硬件可切换到记忆电容器模式记忆电容器是模仿大脑结构神经网络系统的常见元件神经元模式会积累多个信号，此时元件电阻会发生明显变化，可以模拟人类大脑神经元被刺激时的活动状态突触模式则是根据神经元信号的强度来转换输入

之所以会想到向钙钛矿这种材料中掺入氢，是因为研究人员想要利用神经拟态计算来构建这一新器件这是一种不同于普通冯诺依曼计算体系的结构，它主要通过模拟人脑神经元和突触的活动来完成机器学习任务它最大的好处就是可以降低计算能耗，这对于解决未来更复杂，更大规模的 AI 计算具有重大意义由此一来，在进行 AI 计算时，便无需在硬件上激活，关闭不同的部分，只需控制硬件调整到相应模式即可研究人员还表示，这种电子器件的内部是亚稳定状态，可以保持 6 个月不用替换氢离子

实验结果

那么，这种硬件在不同神经网络中的表现如何就成为了验证其性能的关键在这里，研究人员使用了两个神经网络作为测试

第一个是一种储层计算网络，这是一种模拟人类大脑运作方式的机器学习系统它的运作过程是将信息输入到一个储层，其中的数据以各种方式连接在一起，然后这些数据再被送出储层进行分析由此一来，该网络也就无需预训练大量数据，仅对输出前的最后一层网络做梯度下降即可其中的关键储层，将分别用此次提出的新电子器件和传统硬件来完成运算

与传统理论储层和实验储层相比，这种新型储层在 MINIST，SpokenDight，ECGHeartBeat三个任务上都能使用更少的设备，实现相同的性能平均性能则分别高出 1.4 倍，1.2 倍和 5.1 倍

此外，基于这一新型电子器件设计的动态神经网络，在处理增量学习上的表现也非常好如下网络是一个可以识别红鸟，黄鸟的系统理想状态下，当网络检测到新类型的输入时，系统会通过增加节点的方式来扩大网络规模

如果其中任何一类动物长时间没有出现在输入中，其对应的节点也会随之关闭，以此来节省能耗。

研究人员继续使用了手写数字识别这一数据集来进行测试首先，他们让网络识别 0—4 范围内的数字然后将范围扩大到 0—9 训练一段时间，之后再只识别 0—4结果显示，伴随着后来 5—9 的数字不再出现，网络中的相关节点也在逐渐关闭下图 i—iii 中，数字表示对应打开节点，黑色区域则表示关闭的节点

再将这一动态神经网络与静态网络对比，研究人员发现在增量学习场景下，对于 MNIST，CUB—200 两个数据集，动态网络的表现都更好从如下图 B—E 中可以看到，在 MINIST 数据集测试中，动态网络最终准确性是静态网络的 2.1 倍，数据集 CUB—200 的最终准确性则是静态网路的 2.5 倍

他博士毕业于美国宾夕法尼亚州立大学材料科学与工程专业2018 年获得美国吉尔布雷斯学者基金，于普渡大学工程院开展独立研究工作去年 9 月，张海天全职加入北京航空航天大学材料科学与工程学院主要研究领域为功能相变材料的调控及神经计算学器件应用，磁性功能材料，纳米材料等

论文链接:

参考链接: