InfoMat:基于忆阻器的人工嗅觉系统

生物可以依靠嗅觉探测身边的环境,发现潜在的危险,寻找食物等;生物嗅觉系统由嗅觉细胞及推断系统组成。嗅觉细胞被特定的气体分子刺激后,会发出神经脉冲信号;推断系统通过学习,可以记忆不同嗅觉细胞发出的脉冲信号,并推断出环境中气体的类别。生物嗅觉系统是一个集感知、计算和存储于一体的系统,仅消耗较少的能量,就可以完成复杂的任务。为了模仿生物嗅觉系统,人们采用传感器阵列及推断系统来设计人工嗅觉系统,然而,人工嗅觉系统与生物嗅觉系统在识别精度、功耗、集成度等方面仍有着较大的差距。

随着材料科学的进步,传感器的性能得到了较大的提高,将不同的传感器集成到一个阵列中,可以检测多种气体。传感器的静态指标,如响应度和响应速度,被广泛地用来训练推断系统;这样的系统可以适用于较简单的问题,如识别有着固定浓度的单一气体。然而,真实环境非常复杂,包含多种气体,每种气体的浓度也不断变化。因此,很多算法被提出以提高推断系统的识别精度,例如卷积神经网络(CNN)、循环神经网络(RNN)以及脉冲神经网络(SNN)等,其中CNN和RNN在训练和推断过程需要消耗大量的能量。模拟人脑结构的SNN虽然在功耗方面有着较大的优势,但算法还不成熟,需要设计专用芯片,还不能广泛应用。为了提高RNN的运行效率,蓄水池计算(Reservoir computing)被提出;蓄水池计算系统不需要训练就可以高效地提取输入信号的时空特征,而且使用简单的分类器就可以区分所提取的特征。

忆阻器具有并行运算、高集成度和存算一体等优势,因此,采用忆阻器可以设计出不同的推断系统,以实现卷积神经网络、蓄水池计算系统等。基于忆阻器的推断系统接收不同传感器的信号,如连接光学传感器、声音传感器,可以完成图像处理,语音识别等任务;同样地,将基于忆阻器的蓄水池计算系统与气体传感器相连,可以完成气体识别的任务。

华中科技大学材料学院郭新教授团队,设计了基于忆阻器的人工嗅觉系统,在训练后,其成功识别了4种气体(甲烷,乙醇,乙烯,一氧化碳),其中每种气体都有十种浓度。首先将传感器信号动态编码为脉冲信号,采取了响应速度与响应度两种编码方式;然后将编码后的信号输入由易失性忆阻器组成的蓄水池计算系统中,该系统对输入信息进行时空特征提取,采用电导值代表提取得到的特征,并输出到后续的人工神经网络中;最后,由忆阻突触组成的神经网络对提取的特征进行学习和识别,得到了95%的识别精度。这项工作成功地将传感器与推断系统结合起来,有利于推动感存算一体化及终端系统的发展。该项研究工作在InfoMat上以 “An Artificial Olfactory Inference System Based on Memristive Devices”在线发表(DOI: 10.1002/inf2.12196)。

下面摘取了文章里的几部分重点给大家做个介绍:

1. 人工嗅觉系统的组成

图1 人工嗅觉系统的组成

人工嗅觉系统包括传感器阵列及推断系统,其中传感器阵列对环境中气体成分变化做出响应,响应信号被编码后输入到推断系统中。推断系统包括:蓄水池计算系统及基于人工神经网络的分类器。其中蓄水池计算系统的核心器件为易失性忆阻器,它可以提取编码后脉冲信号的时空特征,并输出到人工神经网络中。基于非易失性忆阻突触的人工神经网络对接收到的电导值进行编码,在学习和训练后,实现对不同气体信号的识别。

2. 传感器信号编码

图2 传感器信号编码

气体传感器信号包括8个传感器对4种气体的响应,每种气体有10个不同浓度。图2a为经过降噪处理及归一化处理后,气体传感器TGS2610对250 ppm的甲烷及一氧化碳的响应。传感器响应信号具有响应速度及响应度两个特征。传感器响应速度可以由响应阶段(50 s至70 s)编码得到,将响应阶段每0.2 s的响应信号取平均值,取相邻时刻差值与阈值比较,如果差值大于阈值,则该时刻响应信号被编码为一个脉冲信号(图2b-d)。传感器响应度则由100 s至120 s信号的平均值编码得到,将计算得到的平均值根据泊松脉冲模型编码为脉冲信号(图2e)。因此,数据集中的气体被编码为16个脉冲序列。

3. 基于忆阻器的推断系统

图3 基于忆阻器的蓄水池计算系统

蓄水池计算系统的输入信号为编码后的脉冲信号,其可以从脉冲信号中提取出时空特征,转变为忆阻器的电导值输出(图3-a)。在外加正电压时,W/WO3/PEDOT:PSS/Pt忆阻器的电导值随电压的增加而增大;当撤去电压时,忆阻器逐渐易失至初始电导态。利用忆阻器的易失性,可以用一个器件来代替传统蓄水池计算算法中随机连接的多个节点,极大地简化了算法。同时采用多个忆阻器可以拓宽输入维度,每个忆阻器处理一列脉冲信号,多个忆阻器并行工作,可获得较高的计算效率。将TGS2610传感器对一氧化碳及甲烷的响应速度及响应度分别编码为脉冲信号输入忆阻器中,可以得到忆阻器电导变化(图3-b,3-c)。为了增加输出维度,每隔0.15 s读取忆阻器的电导值作为一个输出(图3-b)。因此,蓄水池计算系统将输入的每一个脉冲序列转化为20个电导值输出到神经网络中。

图4 简化策略

气体传感器阵列包含8个传感器,每个传感器的响应被编码为响应度及响应速度,经过蓄水池计算系统后,每个脉冲序列被编码为20个电导值。因此,每个气体被编码为的矩阵(图4-a)。为了提高运算效率和简化模型,针对提取出的特征,我们从时间维度、空间维度及时空维度提出了3种简化策略。经过简化后,输入特征变少,相应的神经网络规模也会变小;采用时空维度简化后,可以在传感器响应阶段就完成气体识别。

图5 识别结果

将所有特征都输入神经网络并训练后,网络的识别精度可以达到90%,而且采用理想忆阻突触及真实忆阻突触(Pd/W/WO3/Pd) 识别精度几乎一致(图5-a),说明蓄水池计算系统成功提取了特征,降低了神经网络对突触精度的要求。采用空间简化策略,只输入响应速度时,识别精度可以达到92%;而采用响应度作为输入时,识别精度仅有75%(图5-b),这说明特征响应速度经过编码后比响应度包含更多的信息;采用时间简化策略,将特征的前25%,50%,75%及中间50%作为输入,分别得到了72%,90%,92%和93%的识别精度,当只采用中间50%作为输入的时候,会剔除一些干扰信息,识别精度更高(图5-c);同时采用时空简化策略,只输入响应速度的前25%,50%,75%及中间50%,可以得到57%,92%,94%和95%的识别精度。

将基于忆阻器的推断系统与气体传感器阵列相连,实现了气体的分类及识别,这证明了该推断系统对时空信号的处理能力。将该推断系统与其他传感器相连,可以应用于更多场景,如与光学传感器相连,可以实现物体检测,而与声音传感器相连,可以实现语音识别。因此,基于忆阻器的推断系统有望推动终端设备及感存算一体化设备的发展。该工作发表在InfoMat(DOI: 10.1002/inf2.12196)上。