清华陈常青教授团队 Nat. Commun.: 在力学超材料机械计算（类脑机械计算）领域取得新进展

在人类文明的长河中，材料的重要性不言而喻，历史学家们甚至用它来标记早期的文明阶段，如石器时代、陶器时代、青铜器时代和铁器时代。但长期以来，大家习惯于关注材料的尖锐度、韧性、刚度、硬度等一些被动属性参数。设计一种具有信息主动处理能力的“智慧型”材料将进一步拓展材料的功能。其面临的核心挑战是如何实现机械计算，并将其与材料有机融合。力学超材料的发展为解决这一挑战提供了新的可能。

人脑具有十分丰富的神经元，能根据环境感知信息，并结合自身记忆进行分析、计算和判断，从而高效调控生理状态和自身行为，以适应不同环境及其变化。这种神经形态计算与当前计算机中广泛采用的冯·诺依曼通用架构不同，对信息处理是分布式的。后者采用独立的计算和存储模块来对信息进行集中处理，模块内和模块间所需的大量数据读写和交换已成为当前计算机发展的瓶颈之一。类脑神经形态计算的分布式特点极大减少了数据的传输和读写，在执行以数据为中心的任务，以及数据读写、传输比较困难的任务（如机械计算）中具有明显优势。

图1 存内机械计算结构示意图

最近，清华大学航天航空学院陈常青教授团队提出了神经形态存内机械计算系统，在类脑机械计算取得了重要进展（图 1）。这种存内计算架构由分布式、非易失、鲁棒、可读、可初始化和可重新编程的机械存储单元构成（双稳态曲梁）。计算则直接在内存中进行，最大限度地减少了了“计算”和“数据”之间的距离，简化了数据传输和交换，此外，内存单元通过三种基本力学相互作用进行连接，即移位寄存器、同或门和感知器，为机械体系的学习、自适应和功能完备地执行类神经功能提供了基础。

图2 可重编程机械二值化神经网络：（a）示意图；（b）对应的二值化神经网络；（c）实物图。

基于所提出的存内机械计算架构，分别展示了在可重编程机械二值化神经网络和自学习感知器的应用。其中，机械二值化神经网络（图 2a）等价于图 2b中的神经网络，实物如图 2c所示。机械存储单元为双稳态曲梁，可以非易失存储二值权重-1和1。通过设计连杆、弹簧和它们与曲梁之间的关系，实现了对应的三种基本相互作用。作为示例，实验显示了该机械网络在数字奇偶性判别和区间判别的应用。

图3 机械自学习感知器：（a）示意图；（b）自学习感知器；（c）实物图。

所展示的机械自学习感知器由向前传播（黑色连接符号）和向后传播（棕色连接符号）两套信息传输回路组成，见图 3a和3b。在向后传播过程中，该机械体系能够基于外部输入情况自适应更新权重，从而能够习得目标输入输出关系（图 3c）。

上述结果显示，存内计算架构中分布式的数据读写接口与计算过程之间的协调有利于自适应的智能变形控制。免去了长距离数据传输，这促进了神经形态决策和生物仿生自学习机械系统的发展。总体而言，内存机械计算架构可作为嵌入微电子器件的智能机械骨架，从而能最大程度上发挥结构本身的智能，为构建新一代的类生命体的“智慧型”材料提供基础。

相关研究成果以“存内机械计算”（In-memory mechanical computing）为题，近日在《自然·通讯》（Nature Communications）在线发表。清华大学航院陈常青教授为本文通讯作者，2019级博士生梅铁为第一作者。该项研究得到了国家自然科学基金委重点项目和创新群体项目的支持。这项工作是陈常青教授课题组继“具有可重编程逻辑功能的力学超材料”（Nature Communications, 2021）和“像素化力学超材料的信息编码和存储”（Advanced Science, 2023）之后，在力学超材料机械计算研究中的又一重要进展。

原文链接

https://doi.org/10.1038/s41467-023-40989-1