【產通社，8月22日訊】中國科學院（Chinese Academy of Sciences）官網消息，深圳先進技術研究院生物醫學與健康工程研究所醫學人工智能研究中心副研究員黃明強研究團隊，在基于憶阻器陣列的卷積神經網絡的研究上，近日提出了硬件友好型的隨機自適應學習方法。區別于具有復雜外圍電路設計的梯度下降方法（SGD）和分段線性（PL）的傳統方法，該方法具有良好的硬件友好特性和高能效特性。相關研究成果以Hardware-Friendly Stochastic and Adaptive Learning in Memristor Convolutional Neural Networks為題，發表在Advanced Intelligent Systems上。

神經網絡應用于各種人工智能技術，如計算機視覺和語音識別。然而，在傳統互補金屬氧化物半導體CMOS數字平臺上運行的人工智能算法，在一定程度上受到摩爾定律即將結束或馮·諾依曼架構限制的限制。因此，學術界提出了基于憶阻器陣列的存儲計算模型（computing in memory）。傳統的基于憶阻器陣列的權重更新，需要計算出具體的脈沖數，這需要構建復雜的外圍電路來計算脈沖數。在新的學習方案中，隨機提取訓練樣本，基于訓練樣本更新整個卷積神經網絡的權重，計算梯度值獲取權重更新的方向，引入憶阻器非理想特性，給予憶阻器單脈沖進行權重更新，該方法不需要復雜的外圍電路設計，節省了芯片面積和功耗。研究基于新的學習方案提出了四種權重更新方式，將傳統的SGD和PL作為基準，在基于LeNet5網絡對MNIST圖像識別中取得了良好的識別率。該方法可應用到更加復雜的神經網絡結構中，如resnet8網絡和VGG網絡識別cifar10數據集，具有良好的應用前景和優化空間。

該成果是科研團隊近年來在新型微電子器件高能效計算領域發表的第3篇研究型論文。2020年，團隊先后提出柔性鐵電突觸晶體管神經網絡方案（Applied Physics Letters 117 （9）, 092903，2020）、功耗可調型1T1DM低比特神經網絡方案（IEEE Electron Device Letters 42 （1）, 106-109）。未來，該團隊將結合新型微電子器件和集成電路設計技術，在更大規模的憶阻神經網絡應用上拓展，為高能效人工智能和終端智能的硬件架構提供新思路。

研究工作得到國家重點研發計劃、國家自然科學基金和深圳市科技計劃等的資助。查詢進一步信息，請訪問官方網站http://www.cas.cn/syky，以及http://onlinelibrary.wiley.com/doi/full/10.1002/aisy.202100041。（張嘉汐，產通發布）    （完）