낮은 에너지 소비와 낮은 시간 소비로 중국과학원 및 홍콩대학교 팀은 새로운 방법을 사용하여 웨어러블 센서의 저수지 계산을 위한 다중 작업 학습을 수행합니다.

인센서 다중 작업 학습은 생물학적 시각의 주요 장점일 뿐만 아니라 인공지능의 주요 목표이기도 합니다. 그러나 기존의 실리콘 비전 칩에는 시간과 에너지 오버헤드가 큽니다. 또한 기존 딥 러닝 모델을 교육하는 것은 엣지 장치에서 확장 가능하지도 않고 저렴하지도 않습니다.

여기서 중국과학원과 홍콩대학교 연구팀은 낮은 오버헤드로 인간 망막의 학습 패러다임을 시뮬레이션하기 위한 재료 알고리즘 공동 설계를 제안합니다. 효율적인 엑시톤 해리 및 공간 통과 전하 수송 특성을 갖춘 병솔 모양의 반도체 p-NDI를 기반으로 다양한 작업 특성, 감쇠 메모리 및 에코 상태 특성에 대한 탁월한 분리성을 나타내는 웨어러블 트랜지스터 기반 동적 센서 저장소 컴퓨팅 시스템이 개발되었습니다.

멤리스티브 유기 다이오드의 "읽기 기능"과 결합된 RC는 손으로 쓴 문자와 숫자를 인식하고 98.04%, 88.18% 및 91.76%(보고된 모든 유기 반도체보다 높음)의 정확도로 다양한 의류를 분류할 수 있습니다.

RC의 시공간 역학은 2D 이미지 외에도 이벤트 기반 영상에서 자연스럽게 특징을 추출하여 3가지 유형의 제스처를 98.62%의 정확도로 분류합니다. 또한 계산 비용은 기존 인공 신경망보다 훨씬 저렴합니다. 이 연구는 저렴하고 효율적인 광자 신경모형 시스템을 위한 유망한 재료-알고리즘 공동 설계를 제공합니다.

연구 제목은 "다중 작업 학습을 위한 공간 전하 수송 특성을 갖춘 광전자 고분자를 사용한 웨어러블 센서 내 저장소 컴퓨팅"이며 2023년 1월 28일 "Nature Communications"에 게재되었습니다. 》 .

인간의 망막은 풍부한 동적 신호를 수집하여 빛 신호를 감지할 뿐만 아니라 동시에 처리함으로써 하류 시각 피질에서 작업 관련 학습을 가속화합니다. 망막과 시각 피질의 시너지 효과는 멀티태스킹을 효율적이고 간결하며 빠르게 학습하는 뇌의 능력의 근간을 이루고 있으며 일반 인공 지능(AGI)의 기본 목표입니다.

반대로, 물리적으로 분리된 감지, 처리 및 저장 장치가 있는 기존 실리콘 비전 칩은 이러한 장치 간의 크고 빈번한 데이터 셔틀과 순차적 아날로그-디지털 변환으로 인해 상당한 시간과 에너지 오버헤드를 발생시킵니다. 잠재적 에너지 효율의 근본적인 한계입니다. 이러한 상황은 무어의 법칙이 둔화되면서 더욱 악화됩니다. 또한, 시간 신호에 대한 순환 신경망과 같은 전통적인 딥 러닝 모델에서의 학습은 매우 특정한 작업(예: 시간에 따른 역전파를 통한 경사하강법, BPTT)에 대한 지루한 훈련을 사용하는데, 이는 배터리 접근 및 폼 팩터에서 어렵습니다. 제한된 폼 팩터를 가진 엣지 장치에서는 확장 가능하지도 않고 저렴하지도 않습니다.

인간의 망막과 저렴한 학습 패러다임을 시뮬레이션하기 위해 많은 노력이 기울여졌습니다. 재료 측면에서는 결함 및 불순물 사이트가 있는 MoS2, Sn 및 S와 관련된 이중형 결함 상태를 갖는 SnS, 산화 관련 결함 및 층상 흑린 페로브스카이트의 성능과 같은 무기 감광성 2차원 반도체 강력한 광 제어 효과를 갖는 양자점, 전자를 포획하고 방출할 수 있는 h-BN/WSe2 헤테로 구조, 그리고 원자가 상태 변화를 나타내는 MoOx이 가장 널리 사용되는 인공 망막 소재입니다. 또한 PDVT-10, 엽록소가 첨가된 PDPP4T, 펜타센/실크 및 CD 이중층과 같이 본질적으로 생체 적합하고 착용 가능하며 확장 가능한 유기 반도체는 보다 충실한 방식으로 생물학적 대응물을 모방합니다.

알고리즘 측면에서 RC(Reservoir Computation)는 고정 동적 시스템의 페이딩 메모리를 수집하여 시간적 신호를 특징 공간에 비선형적으로 투영하며 유망한 에지 학습 솔루션으로 간주됩니다. RC의 학습은 장기 기억의 판독 계층으로 제한되므로 기존 딥러닝 모델에 비해 훈련 비용이 크게 절감됩니다. 그러나 효율적인 인공 망막과 저렴한 RC 기반 에지 학습을 결합하여 생체 모방 뉴로모픽 비전의 멀티 태스킹 잠재력을 발휘할 수 있는 쌍 재료 알고리즘을 아직 고안하지 않았습니다.

그림: 기존 반도체와 p-NDI의 광전류 응답 비교 및 ​​센서 내 RC 시스템의 상세한 반도체 설계 원리. (출처: Paper)

여기서 중국과학원과 홍콩대학교의 연구원들은 인센서를 구성하기 위해 효율적인 엑시톤 해리와 전체 공간 전하 수송 특성을 갖춘 광반응 반도체 폴리머(p-NDI)의 재료 알고리즘 공동 설계를 제안합니다. 다중 작업 모드 분류를 위한 RC. 유연한 뉴로모픽 장치는 p-NDI 반도체 채널이 있는 3단자 트랜지스터를 기반으로 합니다. 탁월한 광응답 동작과 비선형 페이딩 메모리로 인해 이 장치는 현장에서 광학 입력을 동시에 감지, 기억 및 전처리할 수 있습니다(즉, 대비 향상 및 잡음 감소).

그림: 다중 작업 분류 성능. (출처: 논문)

또한 폴리머의 엑시톤 해리/전하 재결합 역학, 포토게이팅 효과 및 공간 통과 전하 수송 특성 간의 시너지 효과를 통해 트랜지스터 기반 동적 RC 시스템을 다양한 작업에 사용할 수 있음을 보여줍니다. 뛰어난 분리성, 감쇠 메모리 및 에코 상태 특성. 이러한 RC 기반 망막은 멤리스티브 유기 이온 젤 다이오드에 구현된 "판독 기능"과 쌍을 이룹니다.

모든 유기 광전자 재료가 제공하는 신호 전처리 및 동적 RC의 협업 기능으로 손으로 쓴 문자와 숫자를 식별하고 다양한 의류를 분류하는 정확도가 각각 98.04%, 88.18%, 91.76%에 달합니다. 이는 멀티 태스킹 학습을 의미합니다. 의류 스타일과 사이즈. 시스템의 전체 정확도는 88.00%로 옷을 정확하게 식별할 뿐만 아니라 옷의 사이즈도 정확하게 식별합니다. 2D 이미지임에도 불구하고 RC의 시공간 역학을 사용하여 왼손 흔들기, 오른손 흔들기, 박수 제스처 등 이벤트 기반 영상을 98.62%의 정확도로 분류했습니다.

그림: DVSGesture128 데이터 세트를 사용한 이벤트 기반 비디오 분류. (출처: Paper)

그러나 이 p-NDI 트랜지스터 기반 RC에는 시냅스 유기 전기화학 트랜지스터에 널리 사용되는 액체 전해질이 포함되어 있지 않아 확장성과 운용성이 향상되었습니다. 이 연구는 다중 작업 학습 기능을 갖춘 웨어러블하고 저렴하며 효율적인 광자 뉴로모픽 시스템을 위한 유망한 재료-알고리즘 공동 설계 전략을 제공합니다.

논문 링크: https://www.nature.com/articles/s41467-023-36205-9

위 내용은 낮은 에너지 소비와 낮은 시간 소비로 중국과학원 및 홍콩대학교 팀은 새로운 방법을 사용하여 웨어러블 센서의 저수지 계산을 위한 다중 작업 학습을 수행합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!