导读

近年来，基于忆阻器的储备池计算系统凭借结构简单、系统响应自由度高、适应性强等优点，被广泛应用于人工神经网络和神经形态计算。然而，在进行动态数据处理时，这些系统还面临两个需要解决的问题：（1）储层中单一电信号节点导致储层状态的重叠以及丰富度不足；（2）在不扩大储层规模的情况下，有效地从时间输入中提取不同信息的方案尚未被提出。近日，福州大学陈惠鹏教授领导的科研团队以“Towards mixed physical node reservoir computing: light-emitting synaptic reservoir system with dual photoelectric output”为题在《Light：Science & Applications》期刊上发表的研究成果针对这两个问题，研制了基于电化学人工发光突触器件的储备池计算系统。利用器件光电双输出的突触特性构建了混合物理节点储备池系统，其储层状态是其他忆阻器储备池系统（相同的输入情况下）的2倍。利用器件的短期记忆电流和非线性发光特性，将它们分别映射输入时间信号的不同特征，实现了多特征信息任务的高效识别。

主要内容

该研究团队制备了基于电化学工作机制的人工发光突触器件作为混合物理节点储备池系统的物理储层，如图1所示。利用器件的短期记忆电流和非线性发光特性分别作为储层的不同物理节点，提高了储层的丰富度。输出层则是对物理层非线性映射后的数据进行简单训练的全连接神经网络。

图1、基于电化学人工发光突触器件的混合物理节点储备池系统结构图

同时验证器件作为物理储备池所需具备的几个特性（如图2所示）：器件内部动力学特性、短期记忆特性、可分离性、非线性特性、回声状态特性，验证了它们作为物理储备池的可靠性。

图2、（a）器件内部动力学特性；（b）器件对“0000”-“1111”不同时间序列编码的电流响应；（c）器件对“0000”-“1111”不同时间序列编码的光强响应；（d）器件的非线性电流响应和非线性光强响应；（e）器件的电流记忆特性；（f）器件光强的回声状态特性

此外，如图3所示，通过手写数字识别任务验证了该系统的优越性能。即相比于单一电输出的物理储备池系统，对于手写数字图像任务的识别准确率由89.4%提高至97.22%。并且利用该系统的混合物理节点储备池，能够并行处理多特征信息，实现水果图像的准确识别。

图3、（a）通过混合物理节点储备池系统对手写数字“2”的识别的流程图；（b）来自手写数字图像的示例；（c）与这三个例子对应的储层状态（两种不同的储层状态：电流储层和光强储层）；（d）由混合物理节点储层系统识别得出的水果图像的混淆矩阵

总结和展望

该团队研制了面向混合物理节点储层计算系统的电化学人工发光突触器件。该器件不仅具有电突触的性能，可以将输入信号与电脉冲诱导的短期记忆电流进行映射，还表现出发光突触的行为，能够以动态发射的形式映射输入信号的振幅。因此，该器件作为一个物理储层，可以构建一个光电混合的储层状态空间，从而更有效地提取时间信号的时空特征。未来的工作中，研究团队将探索工艺简单、可用于储备池计算的三端可调控结构的人工发光突触器件，为多个时间序列信息的处理提供更加复杂和多样的内部动态，推动未来人工神经形态计算领域向着算法-硬件协同设计的方向发展。（来源：LightScienceApplications微信公众号）

相关论文信息：https://doi.org/10.1038/s41377-024-01516-z