MEMS傳感器即微機電系統(tǒng)（Microelectro Mechanical Systems），是在微電子技術基礎上發(fā)展起來的多學科交叉的前沿研究領域。經(jīng)過四十多年的發(fā)展，已成為世界矚目的重大科技領域之一。它涉及電子、機械、材料、物理學、化學、生物學、醫(yī)學等多種學科與技術，具有廣闊的應用前景。

 

截止到2010年，全世界有大約600余家單位從事MEMS的研制和生產(chǎn)工作，已研制出包括微型壓力傳感器、加速度傳感器、微噴墨打印頭、數(shù)字微鏡顯示器在內(nèi)的幾百種產(chǎn)品，其中MEMS傳感器占相當大的比例。MEMS傳感器是采用微電子和微機械加工技術制造出來的新型傳感器。與傳統(tǒng)的傳感器相比，它具有體積小、重量輕、成本低、功耗低、可靠性高、適于批量化生產(chǎn)、易于集成和實現(xiàn)智能化的特點。同時，在微米量級的特征尺寸使得它可以完成某些傳統(tǒng)機械傳感器所不能實現(xiàn)的功能。

 

單根硅橫梁（紅色）及其驅(qū)動（黃色）和讀出（綠色和藍色）電極，實現(xiàn)了能夠進行非凡計算的MEMS器件

 

“我們?nèi)ツ暌呀?jīng)寫了一篇論文，從理論上展示了可以實現(xiàn)MEMS人工智能，”該研究論文的共同作者舍布魯克大學教授Julien Sylvestre介紹說，“我們最新的突破是展示了一種可以在實驗室中實現(xiàn)這一目標的MEMS器件。”

 

該研究論文已發(fā)表于Journal of Applied Physics期刊，研究人員在他們的研究中展示了一種被稱為“儲備池計算”（reservoir computing）的AI方法。Sylvestre解釋說，要了解儲備池計算，需要了解一些關于人工神經(jīng)網(wǎng)絡如何運行的知識。

 

人工神經(jīng)網(wǎng)絡是一種模仿大腦進行信息處理的機器學習模型。前向神經(jīng)網(wǎng)絡適合處理靜態(tài)模式信息，而遞歸神經(jīng)網(wǎng)絡更適合處理動態(tài)模式信息。利用通過時間的反向傳播（BPTT）算法對遞歸神經(jīng)網(wǎng)絡進行訓練計算代價很大，訓練過程緩慢。研究發(fā)現(xiàn)，在利用 BPTT 算法訓練遞歸神經(jīng)網(wǎng)絡過程中，輸入層和中間層的連接權變化緩慢，只有輸出連接權變化明顯。

 

受到這一發(fā)現(xiàn)的啟發(fā)，2001年和2002年分別提出了回聲狀態(tài)網(wǎng)絡和液體狀態(tài)機，隨后科研人員證明了回聲狀態(tài)網(wǎng)絡和液體狀態(tài)機本質(zhì)上一致，并概括為“儲備池計算”。

 

傳統(tǒng)儲備池計算示意圖

 

儲備池計算的核心思想就是利用一個儲備池代替?zhèn)鹘y(tǒng)神經(jīng)網(wǎng)絡中的中間層，輸入層到儲備池的輸入連接權和儲備池的內(nèi)部連接權均隨機生成并保持不變，訓練過程中唯一需要確定的就是儲備池到輸出層的輸出連接權。儲備池計算大大簡化了遞歸神經(jīng)網(wǎng)絡的訓練過程，并在信道均衡、時間序列預測、非線性系統(tǒng)建模、語音識別和自動控制等領域獲得了成功應用。

 

儲備池計算最常用于依賴于時間的輸入（與圖像等靜態(tài)輸入相反）。因此，儲備池計算采用由時間相關輸入驅(qū)動的動力學系統(tǒng)。動力學系統(tǒng)選擇相對復雜，因此它對輸入的響應可能與輸入本身完全不同。

 

此外，系統(tǒng)選擇具有多個自由度來響應輸入。結果，輸入被“映射”到高維狀態(tài)空間，每個維度對應于一個自由度。這產(chǎn)生了大量的信息“豐富性”，意味著輸入有許多不同的變換。

 

該系統(tǒng)的信號鏈和MEMS器件的SEM（掃描電子顯微鏡）圖像

 

“儲備池計算所使用的特殊技巧是線性地組合所有維度以獲得輸出，其輸出與我們希望計算機對給定輸入的答案相對應，”Sylvestre說，“這就是我們所說的儲備池計算‘訓練’。這種線性組合的計算非常簡單，與其他AI方法不同，人們會嘗試修改動力學系統(tǒng)的內(nèi)部運行以獲得所需要的輸出。”

 

在大多數(shù)儲備池計算系統(tǒng)中，其動力學系統(tǒng)是軟件。在這項研究中，其動力學系統(tǒng)就是MEMS器件本身。為了實現(xiàn)這種動力學系統(tǒng)，這款MEMS器件利用了非常薄的硅梁在空間中振蕩的非線性動力學特性。這些振蕩產(chǎn)生一種神經(jīng)網(wǎng)絡，將輸入信號轉(zhuǎn)換為神經(jīng)網(wǎng)絡計算所需的更高維空間。

 

Sylvestre解釋說，很難修改MEMS器件的內(nèi)在工作原理，但儲備池計算并不需要，這就是他們使用這種方案在MEMS中嵌入AI的原因。

 

“我們的研究表明，在MEMS器件中使用非線性源來嵌入AI是完全可能的，”Sylvestre說，“這是一種構建‘人工智能’器件的新方向，它可以做得非常小且高效。”

 

據(jù)Sylvestre介紹，這種MEMS器件的處理能力很難與臺式計算機相比較。“計算機跟我們這款MEMS器件的工作方式截然不同，”他解釋說，“計算機很大并需要消耗大量功率（數(shù)十瓦），但我們的MEMS可以小到裝在人類頭發(fā)尖端上，并以微瓦級的功率運行。并且，它們可以實現(xiàn)一些花式炫技的功能，比如對口語進行分類，這項任務可能會占用臺式計算機10%的資源。”

 

 

據(jù)Sylvestre表示，這種配備AI的MEMS技術的一個可能的應用比如MEMS加速度計，加速度計收集的所有數(shù)據(jù)都可以在器件內(nèi)部進行處理，而不需要將數(shù)據(jù)再發(fā)送回計算機。

 

研究人員尚未專注研究如何為這種嵌入AI的MEMS器件供電，但這些器件極低的功耗可使它們僅依賴能量采集器便能支持運行，從而無需電池供電。有基于此，研究人員正在尋求將他們的AI MEMS方案應用于傳感和機器人控制。

 

 

推薦閱讀：