随着人工智能应用的推广，必须进行更多的计算鈥攁nd效率更高，能耗更低鈥攐n本地设备，而不是地理位置遥远的数据中心，以克服令人沮丧的响应延迟。东京大学的一组工程师首次测试了氧化铪铁电材料在物理储层计算中的应用鈥攁 一种将数据映射到物理系统的神经网络，可以精确地实现这样的进步鈥攐n语音识别应用程序。
他们在6月12日至17日于夏威夷檀香山举行的2022年IEEE混合超大规模集成电路技术与电路研讨会上介绍了他们的研究结果。
近年来，人工智能（AI）技术及其无数应用的发展呈爆炸式增长，但其进一步部署的一个主要障碍来自巨大的计算成本和能源消耗，尤其是当此类计算是由物理位置位于距离用户相当远的数据中心的软件执行时。
即使数据以光速在网络中传输，在用户的请求和应用程序响应的传递之间也可能存在几秒钟或更长的延迟。这是由于光子从用户到数据中心的距离很长鈥攕有时远在半个地球之外鈥攁nd然后返回。对于从视频游戏到语音助理等消费者应用程序来说，这种小小的延迟可能令人沮丧，但对于政府中从医疗保健到国防等关键任务应用程序来说，这种延迟鈥攌未知为延迟鈥攃以生命为代价。
为了克服这一挑战，计算机科学家和工程师将重点放在两条攻击线上：将至少部分所需的计算从软件转移到硬件，并从集中式数据中心或云转移回本地设备。
第一种策略是必要的，因为只在正在运行的程序中尝试提高效率是没有意义的，而不在运行这些程序的机器上尝试提高效率。第二种策略称为边缘计算，它减少了延迟，因为数据传输的距离更短。当您的智能手机执行生物特征检查所涉及的计算时（而不是在某个距离之外的数据中心），这是边缘计算将计算从云分散回设备的一个示例。
最近，物理储层计算（PRC）鈥攊n在本地设备的硬件中实现了哪些效率提高鈥攈由于其推进这两条攻击线的能力，引起了工程研究人员的极大关注。PRC是递归神经网络（RNN）发展的产物，这是一种机器学习，非常适合处理随时间变化的数据（时间数据），而不是静态数据。这是因为RNN考虑了以前输入的信息，以考虑当前输入（因此为“经常性”），并由此考虑输出。由于这种处理时态数据的能力，RNN适用于结论（或推论）对数据序列或基于时间的上下文敏感的应用程序，如语音识别、自然语言处理或语言翻译，并由Google Translate或Siri等应用程序使用。
在物理储层计算中，输入数据映射到某些物理系统或储层中的模式（例如磁性材料、光子系统或机械设备结构中的模式），这些物理系统或储层具有比输入更高的维度空间。（一张纸是比一根绳子高出一个维度的空间，而一个盒子比这张纸多出一个维度。）然后，对最终读出“层”上的时空模式进行模式分析，以了解储层的状态。由于人工智能不在水库内的循环连接上进行训练，而只在读数上进行训练，因此可以实现更简单的学习算法，大大减少所需的计算量，实现高速学习并降低能耗。
东京大学工程师早些时候设计了一种新的中国架构，该架构使用由氧化铪基铁电材料制成的铁电栅晶体管（FEFET）。大多数人都熟悉铁磁性，即铁磁体在特定极性方向上永久磁化（磁体的一部分变为“北”，另一部分变为“南”）。铁电性涉及一种类似的现象，其中某些材料鈥攊在这种情况下，氧化铪和氧化锆鈥攖帽子会经历一种极化（正负电荷的移动），这种极化随后可以通过施加外部电场来逆转。这种可切换的极化可以像任何晶体管一样存储内存。2020年，研究人员还证明，使用这些材料可以进行水库计算的基本操作。
“这些材料已经普遍用于半导体集成电路制造工艺，”论文合著者、东京大学电气工程与信息系统系教授ShinichiTakagi说。“这意味着FeFET储层有望与大规模半导体集成电路制造集成，与一些更新颖的材料相比，难度很小。”
虽然氧化铪基铁电材料因其铁电性在半导体行业中备受关注，但基于FeFET的物理储层计算适合何种应用，以及在实际应用中表现如何，尚待研究。
两年前，研究人员证明了PRC架构的可行性，然后在语音识别应用程序上对其进行了测试。他们发现，对于数字0到9的语音识别，准确率为95.9%。这首次证明了该技术在实际应用中的可用性。
研究人员现在想看看他们是否可以提高FeFET储层的计算性能，并在其他应用中进行测试。
最终，研究人员希望证明，与传统AI计算方法和硬件相比，采用氧化铪基铁电PRC架构的AI芯片可以在极低功耗和实时处理方面实现高水平的性能。