图1多模态晶体管。(a)微晶硅多峰晶体管的横截面示意图和(b)光学显微照片。源极-栅极重叠(SGO)和源极-漏极分离(d)区域中的电荷动力学分别由电流控制栅极(栅极1)和沟道栅极(栅极2)控制19。(c)显示栅极1 (G1)设定漏极电流大小的模拟非晶硅(a-Si) MMT转移特性，而栅极2 (G2)允许或阻止其流动而不影响其大小。(d)G2的模拟转移特性进一步证明G2不影响电荷注入过程，因此一旦通道1完全积累，就变平。(e)显示低电压饱和和高输出阻抗的输出特性，这是接触控制装置所期望的。credit:DOI:10.1038/s 14598-021-04614-9萨里大学的研究人员报告了人工神经网络中的多模态晶体管(M MT)的概念证明演示，该晶体管模拟人脑。这是朝着使用薄膜晶体管作为人工智能硬件迈出的重要一步，推动了边缘计算向前发展，有望降低功耗需求并提高效率，而不是仅仅依赖计算机芯片。
萨里研究人员于2020年首次报道的MMT克服了与晶体管相关的长期挑战，可以执行与更复杂电路相同的操作。这项最新研究发表在同行评审的《科学报告》杂志上，利用数学建模证明了在人工智能系统中使用MMTs的概念，这是迈向制造业的重要一步。
使用测量和模拟的晶体管数据，研究人员表明，设计良好的多模态晶体管可以在人工神经网络中作为整流线性单元型(ReLU)激活鲁棒地工作，实现与纯ReLU实现几乎相同的分类精度。他们使用测量和模拟的MMT数据来训练人工神经网络来识别手写数字，并将结果与软件的内置ReLU进行比较。这些结果证实了MMT器件在薄膜决策和分类电路中的潜力。同样的方法可以用于更复杂的人工智能系统。
不同寻常的是，这项研究是由萨里大学本科生伊辛·佩施领导的，她在电子工程与纳米技术学士(荣誉)的最后一年研究模块中从事该项目。COVID意味着她必须在土耳其的家中远程学习，但她仍然设法在一个国际研究团队的辅助下带头发展，该团队还包括法国雷恩大学和伦敦UCL的合作者。
该论文的主要作者Isin Pesch在2021年7月毕业前写道，“非常需要技术改进，以支持低成本、大面积电子产品的增长，这些产品已被证明可用于人工智能应用。薄膜晶体管在实现低资源消耗的高处理能力方面发挥着作用。我们现在可以看到，由萨里大学发明的一种独特类型的薄膜晶体管MMTs具有完成这一角色所需的可靠性和均匀性。”
萨里大学高级技术研究所高级讲师拉杜·斯波里亚博士说，“这些发现提醒我们萨里是人工智能研究的领导者。我的许多同事专注于以人为中心的人工智能，以及如何最好地为人类带来最大利益，包括如何在伦理上应用这些新概念。我们在高级技术研究所的研究推进了物理实现，作为迈向强大而经济的下一代硬件的垫脚石。从伊辛领导这项研究时的本科生到经验丰富的专家，各个层次的研究人员的合作取得了如此大的成功，这真是太棒了。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
