NCE编辑优选：基于单个类脑器件的声音分类器
本篇研究来自浙江大学林芃课题组。本文提出了一种对于输入脉冲频率敏感的动态电化学忆阻器，首次建立了器件响应与输入脉冲频率的定量关系，并首次利用单个器件就可以完成对不同真实动物录音的准确分类。 文章介绍 Neuromorphic auditory classification based on a single dynamical electrochemical memristor Peng Chen（陈鹏）, Xuehao Xiong（熊雪皓）, Bihua Zhang（张碧华）, Yuxuan Ye（叶宇轩）, Gang Pan（潘纲）and Peng Lin（林芃） 通讯作者： 林芃，浙江大学 研究背景： 与现有人工智能不同的是，人脑更善于利用网络的动力学特性，高效地理解和处理外部世界信息。神经网络动力学可以理解为单个神经元或突触自身随输入与时间而发生的改变，也包括节点间相互作用产生的网络行为。这样的动态交互机制大大的提高了神经网络的表达能力。研究者们一直致力于设计新型类脑器件来模拟生物神经网络的动态行为，以实现更加高效灵活的信息处理。纳米器件中蕴含丰富的物理特性，特别是一些具备高度动态行为变化的动态器件。这些器件有望被利用在类脑计算的应用场景中。然而，从发现器件特点到被高效利用的过程中，还需要有效的建模与量化，实现对于物理特性的理解，并最终与特定任务形成关联。 研究内容： 在这项研究中，我们通过对栅极材料体系进行调控，发现了栅极电极对器件动态特性的影响规律，成功的将一个现有静态三端电化学忆阻器转变为动态忆阻器，使其阻变行为出现了较强的短期记忆现象。与现有研究不同的是，我们在该动态忆阻器中发现了阻态改变与不同频率输入脉冲信号的定量关系，可以对从1Hz到1MHz的频率信号进行准确分类。为了深入理解和利用这一动态行为，我们创建了一个行为模型，揭示了器件频率响应可以通过对各频率分量的响应进行加权求和实现。 基于这一原理，我们进一步设计了一个基于单个器件的类脑听觉分类器，它能够高度准确地识别不同动物的录音。真实场景中的声音具备幅度和频率两个维度信息，但脉冲编码可以有效的将幅度与脉冲信息进行解耦合，产生只包含频率信息的信号，这也是大脑神经元编码的独特之处。我们工作的主要贡献是仅依靠单个动态忆阻器就能实现高效频率分类，无需额外添加分类读出层，也无需进行复杂的训练。相较于其他频率分类方法，如滤波、支持向量机和感知器等，这样的设计更为高效。这项研究不仅深化了我们对动态忆阻器行为的理解，更为在资源受限的应用场景中实现频率分类开辟了新的途径。 作者介绍 林芃 研究员 浙江大学 林芃，浙江大学 “百人计划”研究员，入选国家高层次青年人才引才计划，美国麻萨诸塞大学博士、麻省理工学院博士后，长期从事新型类脑计算系统研究，近年来在Nature Electronics, Nature Nanotechnology等权威期刊和会议发表论文40余篇，包括多篇Nature子刊封面论文，担任中国人工智能学会脑机融合与生物机器智能专委会委员。 期刊介绍 Neuromorphic Computing and Engineering Neuromorphic Computing and Engineering（NCE）是一本涵盖多个学科领域、采用开放获取（OA）形式出版的期刊。NCE期刊将神经形态系统的硬件和计算方面结合在一起，读者群覆盖工程、材料科学、物理、化学、生物学、神经科学和计算机科学等领域，跨越学术界和产业界的各个群体。在NCE期刊上发表的研究需针对神经形态系统和人工神经网络领域做出及时而重要的贡献。
