来自荷兰特温特大学MESA+纳米技术研究所和BRAINS脑启发性纳米系统中心的Wilfred G. van der Wiel等人在《Nature》上发表了题为“Classification with a disordered dopantatom network in silicon”的文章，他们演示 ...
|
图1. 器件结构与电荷输运机制 背景 与传统电路明显不同。一般情况下，电流如河流一般的电路里流动时，如果河流变浅，浅到变成一个个小水坑，那么水将不再流动；因为水坑之间的间隔太宽以至于水分子无法从一个水坑跳到另一个水坑。但在电路中就不是这样的，在电路中“水坑”之间的距离是以纳米为单位。诸如扫描隧道显微镜（scanningtunnelling microscopes）之类的工具使用高灵敏度的跳变过程来常规地对表面上同原子大小的特征进行成像。隧道技术也是量子计算技术的核心，在过去十年中，量子计算技术取得了令人瞩目的进步。 之前的研究表明，沉积在硅表面产生隔离的电荷坑之间具有绝缘因子。这些“水坑”在之前只是被用来执行常规计算并不会运用于机器学习，但Wilfred G.和他的同事将这些“水坑”当作设计电路的核心。在一般电路中，信息往往通过给导线施加电压来传输，但这些导线产生的电场会改变相邻“水坑”间是否会发生跳变，因此会改变电荷通过电路的跳变路径。电路的输出取决于电流是否流过另一条指定的导线。 电荷坑的随机分布和隧穿的高灵敏度使得这种电路的行为无法被轻易预测。但之前的研究通过找到可靠的两个输入执行逻辑运算的配置来初步实现了，就像同时在电流流经区域找到两扇打开的“门”。尽管这些较早的电路没有执行机器学习操作，但研究人员确实使用机器学习算法来确定使电路执行不同操作所需的控制参数。该算法的灵感来自生物进化，从一组随机控制参数开始，仅使用最佳的结果，为后续“繁殖”新的参数集。先前的研究具有开创性，因为它表明可以通过简单地更改施加到五根控制线的电压来对单个电路进行原位重新编程，以执行任何两个输入逻辑运算。 摘要 分类是生物网络和人工神经网络优于特征空间使数据线性可分的一项重要任务。在机器学习中，将非线性投影转化为高维，简化了复杂特征的分类。在传统计算机中，这种非线性投影的计算成本很高。一个很有前途的方法是利用物理材料系统内在地执行这种非线性投影，因为它们的高计算密度，内在的并行性和能源效率。然而，现有的方法要么依赖于系统的时间动力学，这需要顺序的数据处理，因此阻碍了大型材料系统的并行计算，而这些系统难以扩大规模，这种方法是由大脑中的过滤器和人工神经网络激发的，要么采用这种方法。这里我们使用平行的纳米尺度来进行非线性分类和特征提取。我们利用硅中硼掺杂原子的电可调网络的非线性跃迁传导，通过人工进化对网络进行重新配置，实现不同的计算功能。我们首先解决了典型的双输入二值分类问题，实现了室温下所有布尔逻辑门，用纳米材料系统证明了非线性分类。然后，我们发展了我们的掺杂网络，以实现特征过滤器可以执行四输入二分类对国家标准与技术协会修改手写数字数据库。我们的基于材料的过滤器的实现大大提高了分类精度超过直接应用到原始数据的线性分类器。我们的研究结果建立了一个硅基电子的小足迹和节能计算范例 Classification is an important task at which both biological and artificial neural networks excel feature space can make data linearly separable. In machine learning, nonlinear projection into a high-dimensional , simplifying the classification of complex features. Such nonlinear projections are computationally expensive in conventional computers. A promising approach is to exploit physical materials systems that perform this nonlinear projection intrinsically, because of their high computational density, inherent parallelism and energy efficiency. However, existing approaches either rely on the systems’ time dynamics, which requires sequential data processing and therefore hinders parallel computation large materials systems that are difficult to scale up approach inspired by filters in the brain1 and artificial neural networks, or employ. Here we use a parallel, nanoscale to perform nonlinear classification and feature extraction. We exploit the nonlinearity of hopping conduction through an electrically tunable network of boron dopant atoms in silicon, reconfiguring the network through artificial evolution to realize different computational functions. We first solve the canonical two-input binary classification problem, realizing all Boolean logic gates up to room temperature, demonstrating nonlinear classification with the nanomaterial system. We then evolve our dopant network to realize feature filters that can perform four-input binary classification on the Modified National Institute of Standards and Technology handwritten digit database. Implementation of our material-based filters substantially improves the classification accuracy over that of a linear classifier directly applied to the original data. Our results establish a paradigm of silicon-based electronics for smallfootprint and energy-efficient computation |
让创业更简单