隨著人工智能、物聯(lián)網(wǎng)及智慧醫(yī)療等新型信息交互領域的發(fā)展，基于傳統(tǒng)馮諾依曼架構的計算機系統(tǒng)以及工藝迭代帶來的算力提升越來越難以滿足數(shù)據(jù)處理及復雜神經(jīng)網(wǎng)絡模型運算的需求。神經(jīng)形態(tài)器件作為一種模擬人腦的高效低功耗的信息處理模型，在信息處理方面具有天然優(yōu)勢。目前，以憶阻器為代表的人工突觸器件廣泛應用于神經(jīng)形態(tài)計算，并構建多種類型的神經(jīng)網(wǎng)絡。然而，傳統(tǒng)的人工突觸器件存儲的權重固定，重新部署費時費力，無法根據(jù)輸入變化進行自適應調整。

與突觸類似，基于電荷的半導體儲能設備可在低能量條件下實現(xiàn)存儲權重的調節(jié)和保持。離子遷移的獨特特性使其可以用于構建模擬突觸間隙信息傳輸?shù)娜斯ね挥|器件。有研究表明，類似電池的儲能裝置可以用作人工突觸器件進行低能量計算。因此，利用半導體儲能器件設計新型感算系統(tǒng)解決高寫入噪聲、非線性差和零偏壓下的擴散等問題將是類腦計算領域的重要研究方向。

近日，中國科學院半導體研究所半導體超晶格國家重點實驗室研究員王麗麗課題組、北京理工大學教授沈國震與香港科技大學教授范智勇合作，利用微納加工設計了一種基于可調柔性能量存儲裝置（FMES）系統(tǒng)的新型感算集成系統(tǒng)（圖1）。該系統(tǒng)實現(xiàn)了在不改變外部刺激條件下，通過系統(tǒng)中阻值的調控來控制離子的積累和消散，有望實現(xiàn)傳感信號和存儲權重W的耦合。FMES系統(tǒng)可用于構建神經(jīng)網(wǎng)絡，實現(xiàn)多種神經(jīng)形態(tài)計算任務，使手寫數(shù)字集的識別準確度達到約95%（圖2）。此外，F(xiàn)MES系統(tǒng)可模擬人大腦的自適應性，實現(xiàn)對相似目標數(shù)據(jù)集的自適應識別，經(jīng)過訓練后的自適應識別準確率可達80%左右（圖3），避免重新計算造成的時間和能量損失。未來研究可以此成果為基礎，結合不同類型傳感器片上集成，進一步實現(xiàn)多模態(tài)感算一體架構。

圖1 基于可調柔性能量存儲裝置（FMES）系統(tǒng)的新型感算集成系統(tǒng)。a、生物突觸的結構，b、FMES裝置示意圖，c、FMES裝置的光學圖像，d、讀和寫操作解耦的原理圖和相應的電路圖，e、不同電壓脈沖下的突觸后電流

圖2 神經(jīng)形態(tài)計算的準確性。a、神經(jīng)網(wǎng)絡結構；b、由FMES器件組成的硬件神經(jīng)網(wǎng)絡；c、在初始和訓練的各種阻力狀態(tài)下突觸權重的數(shù)字映射；d、100個訓練周期的分類準確率，F(xiàn)MES設備PSV分布情況：培訓前（e）和培訓后（f）。

圖3 數(shù)字識別的自適應仿真。a、Dataset1和dataset2，b、人工神經(jīng)網(wǎng)絡的權重映射圖像，c、dataset1和dataset2的識別精度，d、人工神經(jīng)網(wǎng)絡權重的自適應調整，e、自適應后權重映射圖像，f、識別精度與映射圖像數(shù)量的關系，g、適應前后的分類識別，h-i、每個樣本的概率。