在 2022 年 4 月 28 日发表于《科学报告》期刊上的一篇文章中，一支日本科学家团队介绍了一项《在电极-离子液体界面处具有介电弛豫的储层计算》的新研究。SCI Tech Daily 指出：物理储层计算可用于以相当低的功耗来执行 AI 等高速处理。而离子液体储层计算机，亦能够为边缘计算赋予高效灵活的特性。
研究配图 – 1：Au / IL / Au 储存装置的光学显微照片
近年的趋势表明，未来会有越来越多的人工智能处理需要在边缘层面进行 —— 靠近用户和数据收集处，而不是放到遥远的计算机 / 服务器上运行。
此类运算的特点是高速、低功耗，而物理储层计算（Physical Reservoir Computing，以下简称 PRC）就有着极大的吸引力。
本文要为大家介绍的，就是日本理科大学研究团队设计的一种基于电极-离子液体界面介电弛豫的可调谐物理储层装置。
研究配图 – 2：储存装置对模式输入的动态电流响应
在该校 Kentaro Kinoshita 教授的带领下，博士生 Sang-Gyu Koh 与高级研究员 Hiroyuki Akinaga、Hisashi Shima 和 Yasuhisa Naitoh 博士共同致力于让这项技术变得更加灵活且实用。
据悉，PRC 依赖于物理系统的瞬态响应，是一种相当具有吸引力的学习框架，能够以低功耗对时间序列信号进行高速处理。不过此前，PRC 系统的可调谐性较低，结果限制了它们的信号处理能力。
而东京理科大学的新研究突破，就是通过将离子液体作为一种易于调节的物理储存装置而实现的 —— 只需通过简单地改变（优化）其粘度，便可在广泛的时间尺度上处理信号。
研究配图 – 3：从动态响应中提取的输出电流
SCI Tech Daily 补充道：依赖于物理系统瞬时动态的物理储存计算，可极大地简化边缘人工智能的计算范式。因为 PRC 能够存储和处理模拟信号，从而有效地推动边缘 AI 的使用和分析。
而具有特定时间尺度的固态 PRC 系统，其动态特性并不容易被调节，且对于大多数物理信号来说通常过快。受限于时间尺度上的不匹配和低可控性，使得 PRC 在很大程度上不适合运用于现实环境中的实时信号处理。
但若使用液体储层来取代传统的固体储存，问题似乎就可迎刃而解 —— AI 设备能够直接实时学习环境产生的信号的时间尺度，例如语音和振动。
实际生活场景中常见的信号生成与时间尺度
Kentaro Kinoshita 教授解释称，他们选择了基于稳定熔盐的离子液体，其完全由自由漫游的电荷组成。
而离子液体的介电弛豫（dielectric relaxation）—— 即其电荷在响应电信号时如何重新排列 —— 该特性就可用作储存器，且在边缘 AI 物理计算领域被寄予了厚望。
在这项新研究中，该团队设计了一个带有有机盐离子液体（IL）的 PRC 系统，其阳离子部分（带正电荷的离子）能够很轻松地随所选烷基链的长度而变化。
通过调节阳离子侧链长度来改变其粘度，便可调谐优化离子液体 PRC 系统的信号处理范围。
更确切地说，研究团队制造了金间隙电极，并用 IL 填充其间隙。结果发现储层的时间尺度虽然在本质上很是复杂，但仍可直接由 IL 的粘度来调节控制（取决于阳离子烷基链的长度）。
显然，改变有机盐中的烷基要轻松得多。基于此，研究人员便拥有了一套可控、可设计的系统（适用于一系列的信号处理范围），从而为将来的广泛计算应用开辟了新的路线。
研究配图 – 4：基于阳离子烷基链长度的函数来测量瞬态电流响应
此外通过在 2-8 个单元之间调节烷基链的长度，东京理科大学的科学家们还实现了 1~20 μs 的超低特征响应时间。
作为演示，研究人员以 AI 图像识别任务为例，证明了这套系统的有效可调性。在接收了基于手写图像的输入信号之后，它能够以 1 μs 的矩形脉冲电压来表示。
研究配图 – 5：图像分类任务的数据处理序列示意图
通过增加侧链的长度，研究团队让瞬态响应更接近于目标信号的范围，而识别率也随着烷基链的增加而同步提升。
与电流在大约 1 μs 内松弛到其值的情况相比，具有更长侧链和弛豫时间的 IL 能够更好地保留时间序列的历史数据，进而提升了它的识别准确率。
研究配图 – 6：图像分类预估精度
当使用 8 个单元的最长侧链时，其识别率也达到了 90.2% 的峰值。有关这项研究的详情，已经发表在 4 月底出版的《Scientific Reports》上。
原标题为《Reservoir computing with dielectric relaxation at an electrode–ionic liquid interface》。
评论前必须登录！
立即登录 注册