据麦姆斯咨询报导，加拿大魁北克UniversitedeSherbrooke（舍内布鲁克大学）的研究人员早已顺利地在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器件中首次映射了某种类型的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营。
这项研究成果意味著可以在微型器件内展开AI数据处理，从而为边缘计算出来建构了无限有可能。单根硅横梁（红色）及其驱动（黄色）和朗读（绿色和蓝色）电极，构建了需要展开非凡计算出来的MEMS器件“我们去年早已写出了一篇论文，从理论上展出了可以构建MEMS人工智能，”该研究论文的联合作者舍内布鲁克大学教授JulienSylvestre讲解说道，“我们近期的突破是展出了一种可以在实验室中构建这一目标的MEMS器件。”该研究论文已公开发表于JournalofAppliedPhysics期刊，研究人员在他们的研究中展出了一种被称作“储备池计算出来”（reservoircomputing）的AI方法。
Sylvestre说明说道，要理解储备池计算出来，必须理解一些关于人工神经网络如何运营的科学知识。人工神经网络是一种仿效大脑展开信息处理的机器学习模型。
前向神经网络合适处置静态模式信息，而迭代神经网络更加合适处置动态模式信息。利用通过时间的偏移传播（BPTT）算法对迭代神经网络展开训练计算出来代价相当大，训练过程较慢。
研究找到，在利用BPTT算法训练迭代神经网络过程中，输出层和中间层的相连权变化较慢，只有输入相连权变化显著。受到这一找到的灵感，2001年和2002年分别明确提出了Echo状态网络和液体状态机，随后科研人员证明了Echo状态网络和液体状态机本质上完全一致，并总结为“储备池计算出来”。传统储备池计算出来示意图储备池计算出来的核心思想就是利用一个储备池替换传统神经网络中的中间层，输出层到储备池的输出相连权和储备池的内部相连权皆随机分解并维持恒定，训练过程中唯一必须确认的就是储备池到输入层的输入相连权。
储备池计算出来大大简化了迭代神经网络的训练过程，并在信道平衡、时间序列预测、非线性系统建模、语音辨识和自动控制等领域取得了顺利应用于。储备池计算出来最常用于依赖时间的输出（与图像等静态输出忽略）。
因此，储备池计算出来使用由时间涉及输出驱动的动力学系统。动力学系统自由选择比较简单，因此它对输出的号召有可能与输出本身几乎有所不同。此外，系统自由选择具备多个维度来号召输出。
结果，输出被“同构”到高维状态空间，每个维度对应于一个维度。这产生了大量的信息“丰富性”，意味著输出有许多有所不同的转换。该系统的信号链和MEMS器件的SEM（扫瞄电子显微镜）图像“储备池计算所用于的类似技巧是线性地人组所有维度以取得输入，其输入与我们期望计算机对等价输出的答案比较不应，”Sylvestre说道，“这就是我们所说的储备池计算出来‘训练’。
这种线性组合的计算出来非常简单，与其他AI方法有所不同，人们不会尝试改动动力学系统的内部运营以取得所必须的输入。”在大多数储备池计算出来系统中，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。为了构建这种动力学系统，这款MEMS器件利用了十分厚的硅梁在空间中波动的非线性动力学特性。
这些波动产生一种神经网络，将输出信号切换为神经网络计算所须要的更高维空间。Sylvestre说明说道，很难改动MEMS器件的内在工作原理，但储备池计算出来并不需要，这就是他们用于这种方案在MEMS中映射AI的原因。“我们的研究指出，在MEMS器件中用于非线性源来映射AI是几乎有可能的，”Sylvestre说道，“这是一种建构‘人工智能’器件的新方向，它可以做到得十分小且高效。
”据Sylvestre讲解，这种MEMS器件的处置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，”他说明说道，“计算机相当大并必须消耗大量功率（数十瓦），但我们的MEMS可以小到装有在人类头发尖端上，并以微瓦级的功率运营。并且，它们可以构建一些花式炫技的功能，比如对口语展开分类，这项任务可能会闲置台式计算机10%的资源。”据Sylvestre回应，这种配有AI的MEMS技术的一个有可能的应用于比如MEMS加速度计，加速度计搜集的所有数据都可以在器件内部展开处置，而不必须将数据再行发送到返计算机。
研究人员仍未专心研究如何为这种映射AI的MEMS器件供电，但这些器件极低的功耗可使它们仅有倚赖能量采集器之后能反对运营，从而需要电池供电。有基于此，研究人员正在谋求将他们的AIMEMS方案应用于传感和机器人掌控。
本文来源：南宫28-www.jaahzvek.com
扫一扫咨询微信客服