随着人工智能技术的发展,为了满足海量数据的高效处理与识别,各种人工硬件神经网络如递归神经网络、卷积神经网络、脉冲神经网络等被提出。
近年来,物理储存器计算(PRC)网络因无需建立硬件与算法同构关系、训练成本低等优点而受到广泛关注,成为高维、非线性计算的主要神经形态计算范式之一。
基于忆阻器的RC系统因结构简单、系统响应自由度高、集成度高,近年来在RC领域得到广泛报道。
但在动态数据处理中,这些系统仍然面临两个需要解决的问题:1)储层中单一的电信号节点导致储层状态的重叠和丰富度不足;2)在不扩大储层规模的情况下,还没有提出一种从时间输入中有效提取不同信息的方案。
在《光:科学与应用》杂志上发表的一篇论文中,福州大学光电显示研究所、平板显示技术国家地方联合工程实验室陈惠鹏教授领衔的科学家团队与同事开发了一种基于人工发光突触的混合物理节点储存器计算系统。
该装置不仅具有电突触的性能,能够用电脉冲诱发的短期记忆电流映射输入的时序信号,而且还表现出发光突触的行为,以动态发射的形式映射输入信号的幅度。
因此该装置作为物理储存器,可以构建二维储存器状态空间,更有效地提取时间信号的时空特征,并在基于MNIST数据集的图像分类任务中取得97.22%以上的识别准确率。
更重要的是,借助短期记忆电流和具有非线性光学效应的动态发光特性,采用不同物理场的信号映射方法,使得该器件还可以用于多特征融合识别的储层计算,解决传统动态忆阻器储层节点单一导致的储层状态丰富度不高的问题,将多通道图像识别的识别准确率由93.16%提高到99.25%。
本论文的创新性主要体现在以下三个方面:
首次提出光电混合物理节点储层系统
与以输出电流或导通状态为物理节点的传统储层系统不同,该装置不仅通过动态电流变化映射脉冲时序信号,还并行通过动态发光提取信号的时空和幅度特征。
因此,该设备充当了储层的作用,可以跨多个物理维度映射脉冲时序信号,从而显著增加了储层状态的丰富性。
视觉信息的直观呈现
该装置能够直接以动态发射强度的形式映射不同的时序信号,直接避免了可视化过程中动态当前储层状态的串扰问题,这是传统硬件储层装置面临的主要挑战。
多特征融合任务识别
与单一水库节点对脉冲信号的映射相比,混合物理节点水库系统通过记忆电流和动态发光两种方式并行映射输入信号的特征,大大扩展了输入信号时空特征的提取范围。
对于手写数字任务识别,识别率可以达到97.22%;对于模拟图像识别任务,准确率由93.16%提升至99.25%。