如何令少数物理器件实现更复杂的计算？
近日，北京大学集成电路学院杨玉超团队从底层器件的物理动力学出发，提供了一条全新的路径。在发表于《国家科学评论》（National Science Review, NSR）的文章中，作者报道了一种基于氧化钒（VO₂）材料的局部有源忆阻振荡器，该器件可在混沌边缘工作，通过简单信号注入即可实现分频、随机振荡、频率锁定等多种非线性动力学行为。单个器件在语音识别任务中展现出强大的频域特征提取能力，其性能相当于一个具有频域预处理的两层卷积神经网络，为未来高能效、高智能的神经形态计算芯片提供了全新路径。
在莫特相变温度附近，VO2材料的电导与热导会发生双重非线性转变。该研究利用这一物理现象，精心制备出工作在“混沌边缘”的“局部有源”VO2器件，它能够放大微小波动，产生自振荡和复杂响应，既能稳定偏置又能放大波动。当忆阻器工作在边缘混沌区域时，它能够以一种非常高效的方式处理信息，而不需要复杂的电路结构。
该研究构建出一个简洁又精准的热力学紧凑模型，首次将材料的物理非线性、电路动力学与信息处理能力统一起来，为忆阻器器件与神经形态计算开辟了新的可能性。
图1. 忆阻器局部有源理论的动力学演进
实验上，研究团队将VO₂器件偏置在“临界混沌边缘”状态，并注入不同频率的微小信号。结果发现，器件可表现出分频、随机脉冲、频率锁定等多种动态模式，这些混沌边缘行为可通过研究团队开发的理论模型精确预测与仿真。
图2. 混沌边缘器件的注入调控行为。多种复杂混沌动力学均可以在精确的理论模型下与实验测试结果一一对应。
进一步，他们证明单个在混沌边缘区域工作的VO2器件具有频率敏感特性，能够进行频率域特征提取，仅凭单个器件的动力学响应可实现语音识别并达到92%的精确度，其性能相当于一个两层卷积神经网络。这意味着，一个混沌边缘器件就能完成原本需要大量无源器件才能完成的任务，减少了约104次乘法运算。此外，相较于需要多个易失性器件的库网络，单个混沌边缘器件额外具备了类似耳蜗模型的语音信息频域预处理功能。更重要的是，这个过程不需要额外的计算资源，因为频率特征提取是器件自身物理动态的自然结果。
图3. 混沌边缘振荡器的计算范式与库网络对比。针对语音信号注入，振荡器的动力学具备频域特征提取能力。
这项研究具有重大意义，它打破了传统计算的范式，利用材料的自然物理特性实现计算：
从传统的局部无源忆阻器转变为局部有源忆阻器，为神经形态计算开辟了新方向；
通过物理连续时间动态处理信息，避免了传统数字计算中的时间步长限制；
显著降低了计算能耗，振荡器不需要额外的功耗来提取频率特征。
由此，这种基于物理动态的计算方法为构建下一代高能效、具备动态学习能力的神经形态芯片提供了重要的理论与实验基础。
表1. 不同物理计算方法的对比
该研究主要由北京大学集成电路学院完成，博士生王洋昊为论文第一作者，张腾助理研究员和杨玉超教授为通讯作者。该工作得到了国家重点研发计划，国家自然科学基金委，北京市自然科学基金委，广东省重点实验室，深圳科技项目的资助与支持。
了解详情，请阅读原文
Local active memristive oscillator enables controllable complex behaviours and frequency domain extraction
Yanghao Wang, Pek Jun Tiw, Yuheng Liu, Yaoyu Tao, Teng Zhang*, Yuchao Yang*
National Science Review, nwaf546, https://doi.org/10.1093/nsr/nwaf546
