據麥姆斯咨詢報道，加拿大魁北克Universite de Sherbrooke（舍布魯克大學）的研究人員已經成功地在MEMS（微機電系統）器件中設計了一種AI（人工智能）技術，這標志著MEMS器件中首次嵌入了某種類型的AI能力。其研究成果是一種類似于人類大腦的神經計算，只不過是在微型器件中運行。這項研究成果意味著可以在微型器件內進行AI數據處理，從而為邊緣計算創造了無限可能。

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

“我們去年已經寫了一篇論文，從理論上展示了可以實現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這一目標的MEMS器件。”

該研究論文已發表于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網絡如何運行的知識。

人工神經網絡是一種模仿大腦進行信息處理的機器學習模型。前向神經網絡適合處理靜態模式信息，而遞歸神經網絡更適合處理動態模式信息。利用通過時間的反向傳播（BPTT）算法對遞歸神經網絡進行訓練計算代價很大，訓練過程緩慢。研究發現，在利用 BPTT 算法訓練遞歸神經網絡過程中，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。

受到這一發現的啟發，2001年和2002年分別提出了回聲狀態網絡和液體狀態機，隨后科研人員證明了回聲狀態網絡和液體狀態機本質上一致，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儲備池代替傳統神經網絡中的中間層，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網絡的訓練過程，并在信道均衡、時間序列預測、非線性系統建模、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（與圖像等靜態輸入相反）。因此，儲備池計算采用由時間相關輸入驅動的動力學系統。動力學系統選擇相對復雜，因此它對輸入的響應可能與輸入本身完全不同。

此外，系統選擇具有多個自由度來響應輸入。結果，輸入被“映射”到高維狀態空間，每個維度對應于一個自由度。這產生了大量的信息“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，其動力學系統是軟件。在這項研究中，其動力學系統就是MEMS器件本身。為了實現這種動力學系統，這款MEMS器件利用了非常薄的硅梁在空間中振蕩的非線性動力學特性。這些振蕩產生一種神經網絡，將輸入信號轉換為神經網絡計算所需的更高維空間。

Sylvestre解釋說，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（數十瓦），但我們的MEMS可以小到裝在人類頭發尖端上，并以微瓦級的功率運行。并且，它們可以實現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據都可以在器件內部進行處理，而不需要將數據再發送回計算機。

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。