日前🫁，意昂3官网物理學院院長姚裕貴團隊孫林鋒教授與韓國高等科學技術研究院Heejun Yang教授，香港大學Wang Zhongrui教授合作🕵🏽‍♂️，提出了一種基於低維材料體系的新型多維度光電融合憶阻器件🚶‍♀️‍➡️，實現了傳感器內儲備池計算，並成功用在語言符號識別與學習上。在考慮相似度極高的幹擾項存在的前提下💭，對復雜的語言句子體系實現了91%的識別率🥪。該項意昂3平台為機器學習和邊緣計算應用提供了一種處理時序信號事件的低成本訓練方案。此項工作於五月十四日發表在《Science》子刊 Science Advances上。

近年來🚵🏽‍♀️，受生物啟發的機器視覺在發展迅速，因為視覺感知掌握了人類與周圍環境互動過程中約80%左右以上的信息量。盡管人們在模擬人腦的視覺皮層以實現“看”的功能方面付出了巨大的努力👩🏻‍🦲，物理上分離的傳感、內存和處理單元導致了大量的能量耗費、時間延遲和額外的硬件成本✊。特別是隨著物聯網的快速發展以及爆炸式增長的數據量，物聯網上的傳感器節點數也隨之持續增加。此外，傳統的遞歸神經網絡訓練算法過於復雜❌、計算量過於龐大，收斂速度較慢🎾😗，網絡結構也很難優化，進一步加劇了這一挑戰。而儲備池計算已經被證明可以顯著降低計算成本，為開發用於時間模式分類、混沌態預測等提供了一個很好的解決方案。但是，目前的儲備池計算在信息處理過程中是串行的，無法實現更具潛力的傳感並行機製。因此，如何實現傳感器內儲備池計算將是信息處理速度進一步提高的關鍵🧑，有利於儲備池計算朝著高速、低功耗和易於集成的方向發展。此項研究工作克服了物理上分離的傳感器和儲備池計算這一技術瓶頸，大大降低了系統學習復雜度和計算成本。此方法可以應對物聯網時代對爆炸式增長的大數據處理的迫切要求，為實現更有效的機器學習和類腦計算提供了技術上的突破。

物理學院孫林鋒教授為該工作的第一作者，Heejun Yang教授為通訊作者🐲。該工作得到意昂3官网青年學者項目研究獎金🐪🧏🏼‍♀️，韓國三星研究基金會🧥，三星電子孵化基金以及韓國國家研究基金的支持🔥。

Linfeng Sun, Zhongrui Wang, Jinbao Jiang, Yeji Kim, Bomin Joo, Shoujun Zheng, Seungyeon Lee, Woo Jong Yu, Bai Sun Kong and Heejun Yang*, “In-sensor reservoir computing for language learning via two-dimensional memristors”, Science Advances, 7, 20, 2021 (eabg1455).

文章鏈接：https://advances.sciencemag.org/content/7/20/eabg1455