日本研究团队证明了离子液体储层方案在边缘计算领域的高效灵活前景

研究配图 - 1：Au / IL / Au 储存装置的光学显微照片

近年的趋势表明，未来会有越来越多的人工智能处理需要在边缘层面进行 —— 靠近用户和数据收集处，而不是放到遥远的计算机 / 服务器上运行。

此类运算的特点是高速、低功耗，而物理储层计算（Physical Reservoir Computing，以下简称 PRC）就有着极大的吸引力。

本文要为大家介绍的，就是日本理科大学研究团队设计的一种基于电极-离子液体界面介电弛豫的可调谐物理储层装置。

研究配图 - 2：储存装置对模式输入的动态电流响应

在该校 Kentaro Kinoshita 教授的带领下，博士生 Sang-Gyu Koh 与高级研究员 Hiroyuki Akinaga、Hisashi Shima 和 Yasuhisa Naitoh 博士共同致力于让这项技术变得更加灵活且实用。

据悉，PRC 依赖于物理系统的瞬态响应，是一种相当具有吸引力的学习框架，能够以低功耗对时间序列信号进行高速处理。不过此前，PRC 系统的可调谐性较低，结果限制了它们的信号处理能力。

而东京理科大学的新研究突破，就是通过将离子液体作为一种易于调节的物理储存装置而实现的 —— 只需通过简单地改变（优化）其粘度，便可在广泛的时间尺度上处理信号。

研究配图 - 3：从动态响应中提取的输出电流

SCI Tech Daily 补充道：依赖于物理系统瞬时动态的物理储存计算，可极大地简化边缘人工智能的计算凡是。因为 PRC 能够存储和处理模拟信号，从而有效地推动边缘 AI 的使用和分析。

而具有特定时间尺度的固态 PRC 系统，其动态特性并不容易被调节，且对于大多数物理信号来说通常过快。受限于时间尺度上的不匹配和低可控性，使得 PRC 在很大程度上不适合运用于现实环境中的实时信号处理。

但若使用液体储层来取代传统的固体储存，问题似乎就可迎刃而解 —— AI 设备能够直接实时学习环境产生的信号的时间尺度，例如语音和振动。

实际生活场景中常见的信号生成与时间尺度

Kentaro Kinoshita 教授解释称，他们选择了基于稳定熔盐的离子液体，其完全由自由漫游的电荷组成。

而离子液体的介电弛豫（dielectric relaxation）—— 即其电荷在响应电信号时如何重新排列 —— 该特性就可用作储存器，且在边缘 AI 物理计算领域被寄予了厚望。

在这项新研究中，该团队设计了一个带有有机盐离子液体（IL）的 PRC 系统，其阳离子部分（带正电荷的离子）能够很轻松地随所选烷基链的长度而变化。

通过调节阳离子侧链长度来改变其粘度，便可调谐优化离子液体 PRC 系统的信号处理范围。

更确切地说，研究团队制造了金间隙电极，并用 IL 填充其间隙。结果发现储层的时间尺度虽然在本质上很是复杂，但仍可直接由 IL 的粘度来调节控制（取决于阳离子烷基链的长度）。

显然，改变有机盐中的烷基要轻松得多。基于此，研究人员便拥有了一套可控、可设计的系统（适用于一系列的信号处理范围），从而为将来的广泛计算应用开辟了新的路线。

研究配图 - 4：基于阳离子烷基链长度的函数来测量瞬态电流响应

此外通过在 2-8 个单元之间调节烷基链的长度，东京理科大学的科学家们还实现了 1~20 μs 的超低特征响应时间。

作为演示，研究人员以 AI 图像识别任务为例，证明了这套系统的有效可调性。在接收了基于手写图像的输入信号之后，它能够以 1 μs 的矩形脉冲电压来表示。

研究配图 - 5：图像分类任务的数据处理序列示意图

通过增加侧链的长度，研究团队让瞬态响应更接近于目标信号的范围，而识别率也随着烷基链的增加而同步提升。

与电流在大约 1 μs 内松弛到其值的情况相比，具有更长侧链和弛豫时间的 IL 能够更好地保留时间序列的历史数据，进而提升了它的识别准确率。

研究配图 - 6：图像分类预估精度

当使用 8 个单元的最长侧链时，其识别率也达到了 90.2% 的峰值。有关这项研究的详情，已经发表在 4 月底出版的《Scientific Reports》上。

原标题为《Reservoir computing with dielectric relaxation at an electrode–ionic liquid interface》。