单个半导体器件也能计算XOR,组合后还可分类图像,荷兰华人学者最新研究登上Nature

晓查 发自 凹非寺

量子位 报道 | 公众号 QbitAI

最近,一篇登上Science的最新研究可谓轰动了整个AI界。

生物学家们发现,人类的单个神经元也可以进行异或(XOR)运算,效率远高于我们现在的人工神经网络(ANN)。

ANN要实现一个异或运算,至少需要2层神经网络。

现在,来自荷兰特温特大学一篇登上Nature的论文,再次打破我们的认知。

他们发明了一种新的硅半导体器件,利用量子力学的隧道效应,可以在单个器件上进行任意逻辑运算,当然也包括异或。

他们将这种器件并行组合,用来处理机器学习中的MNIST图像分类任务,达到了96%的准确率。

而且它的制造方法与现在的半导体器件基本相同,可以做到无缝衔接。

他们到底是如何做到的呢?首先要从量子力学说起。

基本原理

电流流过电路,就像水流流过河流。当河面降低到断流的程度,水就会留在河道的一些坑里。

水分子无法从一个坑跳进另一个坑里,但是电子却可以在电路的“坑”之间跳跃。当电子之间被几纳米的绝缘体隔开时,它们有一定几率穿过绝缘体到达另一边。

这就是量子力学中的隧道效应

之前已经有研究人员在硅表面沉积一些金纳米颗粒,作为电子的坑,坑之间由绝缘分子隔开。

电路中还加入了一组控制信号(红色部分),各个位置的信号不同,坑之间的壁垒形状就会发生改变,从而控制电子在坑之间的跳跃路线。

但是这种掺杂工艺比较复杂,Chen Tao等人用了一种更常见的方式,往N型半导体硅中掺入硼原子,由此来制造电子坑。

这种制造工艺与现在工业上使用的掺杂工艺相同,因此可以与现有的半导体器件更好地结合。

异或运算

这种器件可以直接进行六种常见的逻辑运算:与、或、与非、或非、异或、同或。

它是通过非线性投影简化了分类问题。在异或运算中,分类正方形的两组顶点不能在二维空间中实现。但是把这个问题放到三维空间时,就可以找到决策边界。

经过掺杂的半导体的势能曲面形成了一个高维特征空间的映射关系。通过加入的5个控制电极可以调节曲面的形状,从而控制电荷的走向。

我们可以通过简单地调整5个控制电压,对单个电路进行重新编程,执行任何两个输入的逻辑运算。

图像分类

为了进一步提升这种硅器件设的潜力,研究人员设计了一种电路,可以对所有16种可能的4个二进制输入进行分类,其中0表示线路上没有电流输入,而1则表示有电流输入。

比如,在某一种控制电压的组合下,1011对应的电流最大,我们就可以提取出这种像素组合的特征。

当然,如果只能对4位二进制数据进行分类还远远谈不上机器学习。研究人员将2×2的特征提取并行组合,测试了MNIST手写数字图像的分类。

我们知道,MNIST数据集是一组28×28的黑白图片。研究人员将图像分为多个2×2的方块,然后将数据输入上面设计的分类器中,再将这种分类器提取出的结果输入到常规硬件中,执行机器学习算法。

由此得到了27×27×16的特征向量,最后将这组特征进行回归运算,求出对应的分类。

在1万张MNIST手写图片测试集上,这种器件实现了96%的正确率,分类结果的混淆矩阵如下:

实验也证明了,研究人员发明的分类器设备可以并行运算,而不会产生任何冲突。在当前机器学习算法中,用于执行运算的设置限制了分类器的运行速度,进而限制了能效。

这篇文章提出的器件可以替代现有硬件,以极大地提高电路在执行AI运算时的速度和能效。

关于作者

本文的第一作者Chen Tao现在是荷兰特温特大学BRAINS中心的博士后研究员。

他2007年从武汉理工大学精密仪器专业毕业,2010年获得清华大学微电子学硕士学位,2014年在爱丁堡大学获得电子工程学博士学位。

目前,Chen Tao在特温特大学研究方向是神经形态计算材料的物理特性。

论文地址:https://www.nature.com/articles/s41586-019-1901-0

版权所有,未经授权不得以任何形式转载及使用,违者必究。