單個(gè)半導(dǎo)體器件也能計(jì)算XOR，組合后還可分類圖像，荷蘭華人學(xué)者最新研究登上Nature

曉查 2020-01-21 12:43:24 來(lái)源：量子位

曉查 發(fā)自 凹非寺

量子位 報(bào)道 | 公眾號(hào) QbitAI

最近，一篇登上Science的最新研究可謂轟動(dòng)了整個(gè)AI界。

生物學(xué)家們發(fā)現(xiàn)，人類的單個(gè)神經(jīng)元也可以進(jìn)行異或（XOR）運(yùn)算，效率遠(yuǎn)高于我們現(xiàn)在的人工神經(jīng)網(wǎng)絡(luò)（ANN）。

ANN要實(shí)現(xiàn)一個(gè)異或運(yùn)算，至少需要2層神經(jīng)網(wǎng)絡(luò)。

現(xiàn)在，來(lái)自荷蘭特溫特大學(xué)一篇登上Nature的論文，再次打破我們的認(rèn)知。

他們發(fā)明了一種新的硅半導(dǎo)體器件，利用量子力學(xué)的隧道效應(yīng)，可以在單個(gè)器件上進(jìn)行任意邏輯運(yùn)算，當(dāng)然也包括異或。

他們將這種器件并行組合，用來(lái)處理機(jī)器學(xué)習(xí)中的MNIST圖像分類任務(wù)，達(dá)到了96%的準(zhǔn)確率。

而且它的制造方法與現(xiàn)在的半導(dǎo)體器件基本相同，可以做到無(wú)縫銜接。

他們到底是如何做到的呢？首先要從量子力學(xué)說(shuō)起。

基本原理

電流流過(guò)電路，就像水流流過(guò)河流。當(dāng)河面降低到斷流的程度，水就會(huì)留在河道的一些坑里。

水分子無(wú)法從一個(gè)坑跳進(jìn)另一個(gè)坑里，但是電子卻可以在電路的“坑”之間跳躍。當(dāng)電子之間被幾納米的絕緣體隔開(kāi)時(shí)，它們有一定幾率穿過(guò)絕緣體到達(dá)另一邊。

這就是量子力學(xué)中的隧道效應(yīng)。

之前已經(jīng)有研究人員在硅表面沉積一些金納米顆粒，作為電子的坑，坑之間由絕緣分子隔開(kāi)。

電路中還加入了一組控制信號(hào)（紅色部分），各個(gè)位置的信號(hào)不同，坑之間的壁壘形狀就會(huì)發(fā)生改變，從而控制電子在坑之間的跳躍路線。

但是這種摻雜工藝比較復(fù)雜，Chen Tao等人用了一種更常見(jiàn)的方式，往N型半導(dǎo)體硅中摻入硼原子，由此來(lái)制造電子坑。

這種制造工藝與現(xiàn)在工業(yè)上使用的摻雜工藝相同，因此可以與現(xiàn)有的半導(dǎo)體器件更好地結(jié)合。

異或運(yùn)算

這種器件可以直接進(jìn)行六種常見(jiàn)的邏輯運(yùn)算：與、或、與非、或非、異或、同或。

它是通過(guò)非線性投影簡(jiǎn)化了分類問(wèn)題。在異或運(yùn)算中，分類正方形的兩組頂點(diǎn)不能在二維空間中實(shí)現(xiàn)。但是把這個(gè)問(wèn)題放到三維空間時(shí)，就可以找到?jīng)Q策邊界。

經(jīng)過(guò)摻雜的半導(dǎo)體的勢(shì)能曲面形成了一個(gè)高維特征空間的映射關(guān)系。通過(guò)加入的5個(gè)控制電極可以調(diào)節(jié)曲面的形狀，從而控制電荷的走向。

我們可以通過(guò)簡(jiǎn)單地調(diào)整5個(gè)控制電壓，對(duì)單個(gè)電路進(jìn)行重新編程，執(zhí)行任何兩個(gè)輸入的邏輯運(yùn)算。

圖像分類

為了進(jìn)一步提升這種硅器件設(shè)的潛力，研究人員設(shè)計(jì)了一種電路，可以對(duì)所有16種可能的4個(gè)二進(jìn)制輸入進(jìn)行分類，其中0表示線路上沒(méi)有電流輸入，而1則表示有電流輸入。

比如，在某一種控制電壓的組合下，1011對(duì)應(yīng)的電流最大，我們就可以提取出這種像素組合的特征。

當(dāng)然，如果只能對(duì)4位二進(jìn)制數(shù)據(jù)進(jìn)行分類還遠(yuǎn)遠(yuǎn)談不上機(jī)器學(xué)習(xí)。研究人員將2×2的特征提取并行組合，測(cè)試了MNIST手寫(xiě)數(shù)字圖像的分類。

我們知道，MNIST數(shù)據(jù)集是一組28×28的黑白圖片。研究人員將圖像分為多個(gè)2×2的方塊，然后將數(shù)據(jù)輸入上面設(shè)計(jì)的分類器中，再將這種分類器提取出的結(jié)果輸入到常規(guī)硬件中，執(zhí)行機(jī)器學(xué)習(xí)算法。

由此得到了27×27×16的特征向量，最后將這組特征進(jìn)行回歸運(yùn)算，求出對(duì)應(yīng)的分類。

在1萬(wàn)張MNIST手寫(xiě)圖片測(cè)試集上，這種器件實(shí)現(xiàn)了96%的正確率，分類結(jié)果的混淆矩陣如下：

實(shí)驗(yàn)也證明了，研究人員發(fā)明的分類器設(shè)備可以并行運(yùn)算，而不會(huì)產(chǎn)生任何沖突。在當(dāng)前機(jī)器學(xué)習(xí)算法中，用于執(zhí)行運(yùn)算的設(shè)置限制了分類器的運(yùn)行速度，進(jìn)而限制了能效。

這篇文章提出的器件可以替代現(xiàn)有硬件，以極大地提高電路在執(zhí)行AI運(yùn)算時(shí)的速度和能效。

關(guān)于作者

本文的第一作者Chen Tao現(xiàn)在是荷蘭特溫特大學(xué)BRAINS中心的博士后研究員。

他2007年從武漢理工大學(xué)精密儀器專業(yè)畢業(yè)，2010年獲得清華大學(xué)微電子學(xué)碩士學(xué)位，2014年在愛(ài)丁堡大學(xué)獲得電子工程學(xué)博士學(xué)位。

目前，Chen Tao在特溫特大學(xué)研究方向是神經(jīng)形態(tài)計(jì)算材料的物理特性。

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