电致发光钙钛矿量子点神经网络：用于节能且加速的多任务学习

《SCIENCE ADVANCES》：Electroluminescent perovskite QD–based neural networks for energy-efficient and accelerate multitasking learning

本文介绍了一项开创性研究，旨在解决人工智能系统在机器人、医疗和自动驾驶等领域部署时面临的多任务学习能效和速度瓶颈。研究人员利用Cs1?xFAxPbBr3量子点构建了双输出电致发光突触器件阵列，实现了突触后电流(PSC)和突触后电致发光(PSEL)信号的同步处理，并展示了长期可塑性等关键特性。通过整合PSC和PSEL信号路径的更新行为，该多任务学习框架能够同时执行分类-回归和分类-图像重建任务。与传统的组合式单任务框架和基于图形处理器(GPU)的硬件加速器相比，该方法分别实现了高达47.09%和29.17%的计算速度提升，以及高达8.2倍和32.4倍的能耗降低。这为未来节能、高效的并行多任务人工智能硬件系统开辟了新途径。

　　

想象一下，一个机器人在复杂环境中需要同时处理多种感官信息——它既要识别眼前人的种族，又要估算其年龄，甚至还要在内部重建看到的画面，以便做出最优决策。这就像我们人类大脑在日常生活中的表现一样，轻松自如地并行处理多项任务。然而，当前支撑人工智能（AI）的深度神经网络硬件，大多依赖于图形处理器（GPU）或云计算平台，它们在执行多任务时面临着高能耗、高延迟和高成本的严峻挑战。传统的软件多任务学习方法，往往需要为每个任务开辟独立的计算路径，这不仅增加了计算负载和内存操作，也导致了严重的能源浪费。更关键的是，现有的大多数人工突触器件，其学习模式是“单输入-单输出”的，一次只能响应一个刺激、输出一种信号（如电导变化），这使得它们很难像生物大脑那样，用一个突触同时处理并学习多项任务。开发一种能够高效、节能地并行处理多任务的新型神经形态硬件，已成为推动下一代人工智能发展的关键前沿。

针对这一瓶颈，一项发表在《SCIENCE ADVANCES》上的研究带来了突破。研究团队设计并制造了一种基于混合维度Cs_1?xFA_xPbBr₃量子点的电致发光突触交叉阵列。这个器件的神奇之处在于，它能在单一电学输入脉冲的驱动下，同时产生两种不同的输出信号：突触后电流（PSC，一种电信号）和突触后电致发光（PSEL，一种光信号）。这就像是给人工突触装上了“电眼”，既能传递电信号，又能发射光信号。基于这一独特的双输出器件阵列，研究人员构建了一个新颖的多任务学习框架，成功演示了人脸图像的同时年龄预测（回归任务）、种族识别（分类任务）和图像重建任务，在显著提升计算速度的同时，大幅降低了能耗。

为开展这项研究，作者主要运用了以下几项关键技术：首先，他们通过溶液法合成了不同甲脒（FA）离子掺杂比例（0 ≤ x ≤ 0.15）的Cs_1?xFA_xPbBr₃钙钛矿量子点，并利用旋涂工艺在图案化的氧化铟锡玻璃基底上逐层沉积，构建了8x8的交叉阵列突触器件。其次，他们采用高分辨率透射电子显微镜和X射线光电子能谱对材料的微观结构和化学态进行了表征。再者，通过精密的电学-光学同步测量系统，对器件的PSC和PSEL响应进行了全面表征，包括电流-电压特性、配对脉冲易化、长时程增强/抑制等突触可塑性行为。最后，他们利用UTK人脸数据集（包含多种族、多年龄的人脸图像）对所提出的多任务学习框架进行了仿真验证和性能评估。

研究成果

双输出器件的概念与材料特性：

研究人员提出的双输出电致发光突触阵列，其核心构想是模拟机器人人工大脑并行处理多任务的能力。器件采用氧化锌/支化聚乙烯亚胺、Cs_1?xFA_xPbBr₃量子点、聚乙烯咔唑和五氧化二钒的混合维度堆叠结构。通过调控FA⁺的浓度（x），可以有效调节量子点的晶格常数和电子能带结构，进而改变器件的电学和光学输出特性。阵列中的所有像素都能发出明亮、均匀的绿光，且发光颜色坐标随x值增加而规律变化。

器件的开关与突触特性：

该钙钛矿量子点突触阵列表现出稳定的自整流开关行为。当施加不同参数（电压、脉宽、脉冲数）的输入脉冲时，PSEL的强度可以在523纳米波长处被精确调控，PSC也能对应产生不同的导通/关断电流水平。更重要的是，该器件成功模拟了生物突触的关键特性：1. 配对脉冲易化（PPF），即第二个脉冲引发的响应强于第一个，且这一效应随时间间隔增大而衰减；2. 脉冲频率依赖性可塑性；3. 长时程增强（LTP）和长时程抑制（LTD），即PSC和PSEL的状态可以通过连续的电位脉冲（增强）和抑制脉冲（抑制）进行稳定、可调的模拟更新，动态范围可达~1000个独立状态。这些特性表明该器件具备实现稳健学习过程的能力。

并行多任务学习算法的实现：

研究团队将8x8阵列中每个节点的PSC和PSEL值视为独立的卷积核组件，构建了多任务学习框架。他们设计了两种模型：用于年龄回归和种族分类任务的“多任务-卷积神经网络模型”，以及用于种族分类和图像重建任务的“多任务-残差网络15模型”。其核心策略是通过一个总损失函数来联合优化两个任务，该总损失是各任务损失（如回归损失、分类损失、重建损失）的加权和。通过反向传播算法，同步更新由PSC和PSEL信号共享的卷积核权重以及任务特定的全连接层权重。这种设计使得两个任务能够在一个网络中并行学习，共享特征提取过程。

多任务学习性能评估：

在年龄回归和种族分类任务中，当回归与分类损失比为0.7：0.3时，模型能同时取得较高的年龄预测准确度（R²= 0.749）和种族分类准确度（86.06%），性能与单任务学习相当。在种族分类和图像重建任务中（损失比0.3：0.7），分类准确度达85.61%，重建图像的结构相似性指数（SSIM）达到0.9。研究表明，通过调整损失函数的相对权重，可以在多个任务间取得平衡的最优性能。

能耗与速度优势分析：

该多任务学习框架展现出显著的效率优势。为实现相同的性能，多任务学习所需的训练周期数比将两个单任务简单组合的“组合式单任务”框架分别减少了47.09%（年龄/种族任务）和29.17%（种族/重建任务），意味着计算速度的加速。在能耗方面，基于该双输出突触器件的向量矩阵乘法能耗，相较于传统的GPU硬件加速器，在“组合式单任务”模式下可降低3.5至13.1倍，而在多任务学习模式下，能耗降低幅度进一步扩大到8.2倍和32.4倍。这主要得益于该架构避免了GPU中频繁且高能耗的数据移动（缓存和主存访问）。此外，在权重（核）更新过程中，多任务学习相比“组合式单任务”也实现了约2倍的能耗降低。

结论与展望

本研究成功开创了一种基于混合维度Cs_1?xFA_xPbBr₃量子点的交叉阵列，用于实现节能且加速的多任务学习。该创新器件能够同步处理PSC和PSEL信号，并展现出包括PPF、脉冲频率依赖性可塑性和LTP/LTD在内的关键突触可塑性特征。通过整合PSC和PSEL信号的更新过程，所构建的多任务学习框架能够在人脸图像上并发执行回归-分类和分类-图像重建任务。与组合式单任务框架相比，该框架在保持相当性能水平的同时，将计算速度提升了最高47.09%，并将能耗相较于GPU硬件加速器降低了最高32.4倍。这种协同利用电学和光学突触输出的学习过程，相比传统的单输出神经网络展现出巨大优势，为未来可扩展、实用的多任务神经形态计算系统奠定了坚实的基础。