跳到主要内容

话题

纳米材料

纳米材料

电动可调网络快速了解

11 Nov 2020 Isabelledumé.
Deep neural networks

荷兰二十四大学的研究人员团队已经雇用了深入的学习 - 一种人工智能或AI的形式 - 首次优化纳米电子设备的结构。根据团队领导 Wilfred Van der Wiel,相同的方法还可用于调整量子计算的量子点系统,并且通常适用于其他大规模物理系统,许多控制参数同样不可用。

在2020年之前,van der Wiel和同事在硅中创造了一系列电动可调的硼掺杂剂网络。该设备包含八个终端,或电极:七个,即充当电压输入,作为电流输出的七个。输出的信号从一个硼原子到另一个硼原子的电子“跳跃”,这在某种程度上,当他们进行任务时,我们的大脑中的神经元的方式类似。因此,虽然网络未订购,但它具有输出信号,并且可以通过改变控制电极上的电压“转向所需的方向上的该信号。

这个过程也被称为人工演进,van der Wiel解释说,虽然成功,但它在实践中证明了很麻烦。 “虽然与达尔文的演变不如慢慢而言,但是仍然非常耗时,让网络做你希望的事情,”他告诉 物理世界。

利用深学习神经网络

对于这个最新的工作,Twente团队转向深度神经网络(DNN)。这些网络在科学研究中成为越来越普遍的工具,在那里它们通常用于在从实验数据中汲取的示例的初始“训练”之后模拟复杂的物理现象。

为了生成其纳米电子器件的DNN模型,Van der Wiel和同事通过测量设备的输出信号,以进行许多不同的输入电压配置。然后,他们使用这些数据和标准的深度学习技术来培训他们的DNN模型“了解”真实设备的行为方式。得到的模型预测设备的输出电流,给定输入电压配置。 Van de Wiel解释说,这种方法与使用DNN解决标准AI任务的方式非常相似。 “在标准深度学习中,我们必须找到模型本身的参数,”他说。 “这些是神经元和神经元的阈值之间的重量因子。这是我们在第一阶段学到的内容:我们发现DNN模型本身的参数,使其模仿物理设备。“

比人工演进技术快100倍

在其工作的第二阶段,研究人员保持DNN模型常量的参数,以便他们可以学习最佳控制参数。 “通过此模型,我们可以搜索所需的功能,”van der Wiel说。 “为此,我们选择一些输入作为控制参数和其他输入作为数据输入。我们使用深度学习再次搜索DNN模型的控制值。在数学上,这归结为同样的事情:再次,我们必须优化参数以找到所需的输出。“

Wilfred Van der Wiel

一旦他们使用DNN找到控制参数的最佳值,研究人员就可以将这些值应用于真实纳米电子器件中的相应端子的电压。由于DNN是物理设备的模型,因此其输出电流应以所需的方式行事。

该集团发现,这种新方法的工作时间比以前使用的人工进化快100倍。通过这种新方法,我们可以优化具有许多终端的纳米电子设备,甚至优化许多复合纳米电子电路耦合的系统,“范德威尔解释说。 “这些系统预计将在未来几年增加复杂性,例如,新颖的信息处理技术,如量子计算和神经形态计算。”

可扩展,适用于复杂的任务

van der Wiel和同事们还发现,他们的方法为增加了复杂性的任务。在成功地在其纳米电子设备上演示布尔门后,他们继续表明该设备可以执行二进制分类和“特征映射”任务,其中2×2个像素映射到当前值(更高的子任务)级别图像分类任务)。研究人员说,在没有这种新方法的情况下,这些最后两项任务将非常具有挑战性。

本研究中描述的掺杂剂网络设备,该装置发表在 自然纳米技术,可用于将来用于神经形态计算。作为下一步,团队计划为最先进的AI性能构建更节能的互联掺杂网设备系统。

版权©2021由IOP Publishing Ltd和个人贡献者