MEMS傳感器即微機電系統（Microelectro Mechanical Systems），是在微電子技術(shù)基礎上發(fā)展起來(lái)的多學(xué)科交叉的前沿研究領(lǐng)域。經(jīng)過(guò)四十多年的發(fā)展，已成為世界矚目的重大科技領(lǐng)域之一。它涉及電子、機械、材料、物理學(xué)、化學(xué)、生物學(xué)、醫學(xué)等多種學(xué)科與技術(shù)，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、數字微鏡顯示器在內的幾百種產(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(shù)制造出來(lái)的新型傳感器。與傳統的傳感器相比，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(shí)現智能化的特點(diǎn)。同時(shí)，在微米量級的特征尺寸使得它可以完成某些傳統機械傳感器所不能實(shí)現的功能。

 

單根硅橫梁（紅色）及其驅動(dòng)（黃色）和讀出（綠色和藍色）電極，實(shí)現了能夠進(jìn)行非凡計算的MEMS器件

 

“我們去年已經(jīng)寫(xiě)了一篇論文，從理論上展示了可以實(shí)現MEMS人工智能，”該研究論文的共同作者舍布魯克大學(xué)教授Julien Sylvestre介紹說(shuō)，“我們最新的突破是展示了一種可以在實(shí)驗室中實(shí)現這一目標的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(chēng)為“儲備池計算”（reservoir computing）的AI方法。Sylvestre解釋說(shuō)，要了解儲備池計算，需要了解一些關(guān)于人工神經(jīng)網(wǎng)絡(luò )如何運行的知識。

 

人工神經(jīng)網(wǎng)絡(luò )是一種模仿大腦進(jìn)行信息處理的機器學(xué)習模型。前向神經(jīng)網(wǎng)絡(luò )適合處理靜態(tài)模式信息，而遞歸神經(jīng)網(wǎng)絡(luò )更適合處理動(dòng)態(tài)模式信息。利用通過(guò)時(shí)間的反向傳播（BPTT）算法對遞歸神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練計算代價(jià)很大，訓練過(guò)程緩慢。研究發(fā)現，在利用 BPTT 算法訓練遞歸神經(jīng)網(wǎng)絡(luò )過(guò)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)現的啟發(fā)，2001年和2002年分別提出了回聲狀態(tài)網(wǎng)絡(luò )和液體狀態(tài)機，隨后科研人員證明了回聲狀態(tài)網(wǎng)絡(luò )和液體狀態(tài)機本質(zhì)上一致，并概括為“儲備池計算”。

 

傳統儲備池計算示意圖

 

儲備池計算的核心思想就是利用一個(gè)儲備池代替傳統神經(jīng)網(wǎng)絡(luò )中的中間層，輸入層到儲備池的輸入連接權和儲備池的內部連接權均隨機生成并保持不變，訓練過(guò)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(jiǎn)化了遞歸神經(jīng)網(wǎng)絡(luò )的訓練過(guò)程，并在信道均衡、時(shí)間序列預測、非線(xiàn)性系統建模、語(yǔ)音識別和自動(dòng)控制等領(lǐng)域獲得了成功應用。

 

儲備池計算最常用于依賴(lài)于時(shí)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(shí)間相關(guān)輸入驅動(dòng)的動(dòng)力學(xué)系統。動(dòng)力學(xué)系統選擇相對復雜，因此它對輸入的響應可能與輸入本身完全不同。

 

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

 

該系統的信號鏈和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(xiàn)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(shuō)，“這就是我們所說(shuō)的儲備池計算‘訓練’。這種線(xiàn)性組合的計算非常簡(jiǎn)單，與其他AI方法不同，人們會(huì )嘗試修改動(dòng)力學(xué)系統的內部運行以獲得所需要的輸出。”

 

在大多數儲備池計算系統中，其動(dòng)力學(xué)系統是軟件。在這項研究中，其動(dòng)力學(xué)系統就是MEMS器件本身。為了實(shí)現這種動(dòng)力學(xué)系統，這款MEMS器件利用了非常薄的硅梁在空間中振蕩的非線(xiàn)性動(dòng)力學(xué)特性。這些振蕩產(chǎn)生一種神經(jīng)網(wǎng)絡(luò )，將輸入信號轉換為神經(jīng)網(wǎng)絡(luò )計算所需的更高維空間。

 

Sylvestre解釋說(shuō)，很難修改MEMS器件的內在工作原理，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(xiàn)性源來(lái)嵌入AI是完全可能的，”Sylvestre說(shuō)，“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(shuō)，“計算機很大并需要消耗大量功率（數十瓦），但我們的MEMS可以小到裝在人類(lèi)頭發(fā)尖端上，并以微瓦級的功率運行。并且，它們可以實(shí)現一些花式炫技的功能，比如對口語(yǔ)進(jìn)行分類(lèi)，這項任務(wù)可能會(huì )占用臺式計算機10%的資源。”

 

 

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

 

研究人員尚未專(zhuān)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(lài)能量采集器便能支持運行，從而無(wú)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：