据报道,加拿大魁北克Universite de Sherbrooke(舍布鲁克大学)的研究人员已经成功地在MEMS(微机电系统)器件中设计了一种AI(人工智能)技术,这标志着MEMS器件中首次嵌入了某种类型的AI能力。其研究成果是一种类似于人类大脑的神经计算,只不过是在微型器件中运行。这项研究成果意味着可以在微型器件内进行AI数据处理,从而为边缘计算创造了无限可能。

单根硅横梁(红色)及其驱动(黄色)和读出(绿色和蓝色)电极,实现了能够进行非凡计算的MEMS器件

“我们去年已经写了一篇论文,从理论上展示了可以实现MEMS人工智能,”该研究论文的共同作者舍布鲁克大学教授Julien Sylvestre介绍说,“我们最新的突破是展示了一种可以在实验室中实现这一目标的MEMS器件。”

该研究论文已发表于Journal of Applied Physics期刊,研究人员在他们的研究中展示了一种被称为“储备池计算”(reservoir computing)的AI方法。Sylvestre解释说,要了解储备池计算,需要了解一些关于人工神经网络如何运行的知识。

人工神经网络是一种模仿大脑进行信息处理的机器学习模型。前向神经网络适合处理静态模式信息,而递归神经网络更适合处理动态模式信息。利用通过时间的反向传播(BPTT)算法对递归神经网络进行训练计算代价很大,训练过程缓慢。研究发现,在利用 BPTT 算法训练递归神经网络过程中,输入层和中间层的连接权变化缓慢,只有输出连接权变化明显。

 

受到这一发现的启发,2001年和2002年分别提出了回声状态网络和液体状态机,随后科研人员证明了回声状态网络和液体状态机本质上一致,并概括为“储备池计算”。

传统储备池计算示意图

储备池计算的核心思想就是利用一个储备池代替传统神经网络中的中间层,输入层到储备池的输入连接权和储备池的内部连接权均随机生成并保持不变,训练过程中唯一需要确定的就是储备池到输出层的输出连接权。储备池计算大大简化了递归神经网络的训练过程,并在信道均衡、时间序列预测、非线性系统建模、语音识别和自动控制等领域获得了成功应用。

储备池计算最常用于依赖于时间的输入(与图像等静态输入相反)。因此,储备池计算采用由时间相关输入驱动的动力学系统。动力学系统选择相对复杂,因此它对输入的响应可能与输入本身完全不同。

此外,系统选择具有多个自由度来响应输入。结果,输入被“映射”到高维状态空间,每个维度对应于一个自由度。这产生了大量的信息“丰富性”,意味着输入有许多不同的变换。

该系统的信号链和MEMS器件的SEM(扫描电子显微镜)图像

“储备池计算所使用的特殊技巧是线性地组合所有维度以获得输出,其输出与我们希望计算机对给定输入的答案相对应,”Sylvestre说,“这就是我们所说的储备池计算‘训练’。这种线性组合的计算非常简单,与其他AI方法不同,人们会尝试修改动力学系统的内部运行以获得所需要的输出。”

在大多数储备池计算系统中,其动力学系统是软件。在这项研究中,其动力学系统就是MEMS器件本身。为了实现这种动力学系统,这款MEMS器件利用了非常薄的硅梁在空间中振荡的非线性动力学特性。这些振荡产生一种神经网络,将输入信号转换为神经网络计算所需的更高维空间。

Sylvestre解释说,很难修改MEMS器件的内在工作原理,但储备池计算并不需要,这就是他们使用这种方案在MEMS中嵌入AI的原因。

“我们的研究表明,在MEMS器件中使用非线性源来嵌入AI是完全可能的,”Sylvestre说,“这是一种构建‘人工智能’器件的新方向,它可以做得非常小且高效。”

据Sylvestre介绍,这种MEMS器件的处理能力很难与台式计算机相比较。“计算机跟我们这款MEMS器件的工作方式截然不同,”他解释说,“计算机很大并需要消耗大量功率(数十瓦),但我们的MEMS可以小到装在人类头发尖端上,并以微瓦级的功率运行。并且,它们可以实现一些花式炫技的功能,比如对口语进行分类,这项任务可能会占用台式计算机10%的资源。”

据Sylvestre表示,这种配备AI的MEMS技术的一个可能的应用比如MEMS加速度计,加速度计收集的所有数据都可以在器件内部进行处理,而不需要将数据再发送回计算机。

研究人员尚未专注研究如何为这种嵌入AI的MEMS器件供电,但这些器件极低的功耗可使它们仅依赖能量采集器便能支持运行,从而无需电池供电。有基于此,研究人员正在寻求将他们的AI MEMS方案应用于传感和机器人控制。