關注前沿科技 量子位
曉查 發自 凹非寺
量子位 報導 | 公眾號 QbitAI
最近，一篇登上Science的最新研究可謂轟動了整個AI界。
生物學家們發現，人類的單個神經元也可以進行異或（XOR）運算，效率遠高於我們現在的人工神經網絡（ANN）。
ANN要實現一個異或運算，至少需要2層神經網絡。
現在，來自荷蘭特溫特大學一篇登上Nature的論文，再次打破我們的認知。
他們發明了一種新的矽半導體器件，利用量子力學的隧道效應，可以在單個器件上進行任意邏輯運算，當然也包括異或。
他們將這種器件並行組合，用來處理機器學習中的MNIST圖像分類任務，達到了96%的準確率。
而且它的製造方法與現在的半導體器件基本相同，可以做到無縫銜接。
他們到底是如何做到的呢？首先要從量子力學說起。
基本原理
電流流過電路，就像水流流過河流。當河面降低到斷流的程度，水就會留在河道的一些坑裡。
水分子無法從一個坑跳進另一個坑裡，但是電子卻可以在電路的「坑」之間跳躍。當電子之間被幾納米的絕緣體隔開時，它們有一定機率穿過絕緣體到達另一邊。
這就是量子力學中的隧道效應。
之前已經有研究人員在矽表面沉積一些金納米顆粒，作為電子的坑，坑之間由絕緣分子隔開。
電路中還加入了一組控制信號（紅色部分），各個位置的信號不同，坑之間的壁壘形狀就會發生改變，從而控制電子在坑之間的跳躍路線。
但是這種摻雜工藝比較複雜，Chen Tao等人用了一種更常見的方式，往N型半導體矽中摻入硼原子，由此來製造電子坑。
這種製造工藝與現在工業上使用的摻雜工藝相同，因此可以與現有的半導體器件更好地結合。
異或運算
這種器件可以直接進行六種常見的邏輯運算：與、或、與非、或非、異或、同或。
它是通過非線性投影簡化了分類問題。在異或運算中，分類正方形的兩組頂點不能在二維空間中實現。但是把這個問題放到三維空間時，就可以找到決策邊界。
經過摻雜的半導體的勢能曲面形成了一個高維特徵空間的映射關係。通過加入的5個控制電極可以調節曲面的形狀，從而控制電荷的走向。
我們可以通過簡單地調整5個控制電壓，對單個電路進行重新編程，執行任何兩個輸入的邏輯運算。
圖像分類
為了進一步提升這種矽器件設的潛力，研究人員設計了一種電路，可以對所有16種可能的4個二進位輸入進行分類，其中0表示線路上沒有電流輸入，而1則表示有電流輸入。
比如，在某一種控制電壓的組合下，1011對應的電流最大，我們就可以提取出這種像素組合的特徵。
當然，如果只能對4位二進位數據進行分類還遠遠談不上機器學習。研究人員將2×2的特徵提取並行組合，測試了MNIST手寫數字圖像的分類。
我們知道，MNIST數據集是一組28×28的黑白圖片。研究人員將圖像分為多個2×2的方塊，然後將數據輸入上面設計的分類器中，再將這種分類器提取出的結果輸入到常規硬體中，執行機器學習算法。
由此得到了27×27×16的特徵向量，最後將這組特徵進行回歸運算，求出對應的分類。
在1萬張MNIST手寫圖片測試集上，這種器件實現了96%的正確率，分類結果的混淆矩陣如下：
實驗也證明了，研究人員發明的分類器設備可以並行運算，而不會產生任何衝突。在當前機器學習算法中，用於執行運算的設置限制了分類器的運行速度，進而限制了能效。
這篇文章提出的器件可以替代現有硬體，以極大地提高電路在執行AI運算時的速度和能效。
關於作者
本文的第一作者Chen Tao現在是荷蘭特溫特大學BRAINS中心的博士後研究員。
他2007年從武漢理工大學精密儀器專業畢業，2010年獲得清華大學微電子學碩士學位，2014年在愛丁堡大學獲得電子工程學博士學位。
目前，Chen Tao在特溫特大學研究方向是神經形態計算材料的物理特性。
論文地址：
https://www.nature.com/articles/s41586-019-1901-0
作者系網易新聞·網易號「各有態度」籤約作者
— 完 —
AI內參|把握AI發展新機遇
拓展優質人脈，獲取最新AI資訊&論文教程，歡迎加入AI內參社群一起學習~
跟大咖交流 | 進入AI社群
量子位 QbitAI · 頭條號籤約作者
վ'ᴗ' ի 追蹤AI技術和產品新動態
喜歡就點「在看」吧 !
原標題：《單個半導體器件也能計算XOR，組合後還可分類圖像，荷蘭華人學者最新研究登上Nature》
閱讀原文