南京大学电子学院在基于忆电容的多感知储备池计算方面取得进展

近日，南京大学万青、万昌锦团队联合李昀教授研究团队，构建了基于忆电容突触的多感知物理储备池计算系统。该器件不依赖于电流机制进行读写，而是开创性地利用了电容性耦合的极化翻转和电荷捕获机制，为RC提供非线性和状态丰富度。该器件在功耗（~113.4 飞焦/尖峰）和多感知任务的适用性方面（适用于7种时序信号的处理）均优于已报道的电阻型RC。受益于这种忆电容型RC的鲁棒性和多功能性，该团队演示了用于虚拟购物系统的非接触式用户界面，这对于高能效人机界面和边缘计算设备具有深远意义。

自然界中的处理系统，如人类的大脑，具有高度非线性的动态特征，这启发了循环神经网络（RNN）。RNN利用过去的输入信息来影响当前的输入和输出，在处理连续数据如语音、文本、音频和天气方面表现出卓越的性能。储备池计算（RC）是RNN模型的一种衍生方法，通过储层将输入数据转化为高维空间中的时空模式，实现更高效、低成本的训练过程。最近的一个新兴趋势是利用材料内在动力学构建物理层面的RC，因为物理RC被认为比基于软件的RC具有更高的能效。另外，物理RC器件对物联网、可穿戴电子设备和植入式电子设备等边缘计算设备具有潜在价值。然而，现有的物理RC通常为电阻型器件，需要较大的读写电流（如几十纳安级）以及后续的电流-电压转换电路，导致能耗较高。因此，探索新的机制，构建以更少能量工作的物理RC器件，将是解决边缘计算设备算力不足的重要方案之一（图1）。

图1. 基于物理储备池的多感知人机界面示意图

该团队报道了一种基于锆掺杂铪基氧化物忆电容器件（OMC）（图2）。在三端结构的设计下，器件的输出电压可以通过监测响应于输入信号的电荷捕获和极化切换产生的界面电势实现直接读取，并展现出良好的非线性和衰退记忆特性。其工作电流始终低于 0.01nA/μm，在RC系统工作过程中，展现出~113.4 飞焦/尖峰的超低能耗。

图2. 氧化物忆电容器件结构及其非线性输出特性

得益于基于OMC器件内部衰退记忆的掩膜方法和器件本身丰富的动态特性，忆电容RC系统在语音、肌电、压力信号识别任务中表现出了良好的兼容性，识别率均在94%以上（图3），在人机交互方面具有巨大的应用潜力。

图3. 多模式感知的识别任务结果

该团队展示了基于OMC器件的虚拟购物系统（图4），其中购买的商品和操作指令分别基于语音和手势命令实现。系统可以准确识别五种语音和四种肌电信号并表现出优越的抗噪性能。因此，该设计有望为零售业、娱乐业、医疗保健和物联网设备中的边缘计算应用提供稳健、节能的解决方案。

图4. 基于OMC器件的虚拟购物系统概念验证