研究背景

自計(jì)算機(jī)在上世紀(jì)70年代接上網(wǎng)絡(luò)以來，計(jì)算機(jī)的研發(fā)人員一直在努力獲取計(jì)算機(jī)新的知識(shí)，發(fā)現(xiàn)新的事實(shí)和理論，開發(fā)計(jì)算機(jī)新的功能，造福于人類。這就是開發(fā)人工智能（AI）的起源，目的是讓機(jī)器實(shí)現(xiàn)類似人類的智能。安德烈·蓋姆（Andre Geim）等人于2004年發(fā)現(xiàn)了石墨烯，引起了人們對(duì)二維材料的極大興趣，進(jìn)而促進(jìn)其他二維材料（如金屬硫族化物、過渡金屬氧化物）不同程度的發(fā)展。石墨烯是二維材料中穩(wěn)定性最高的，也有極高的導(dǎo)電性，超輕的質(zhì)量。它具有2D結(jié)構(gòu)，其中sp2鍵合碳原子排列在蜂窩或六角形晶格中。而石墨烯也不負(fù)眾望，經(jīng)過十幾年的研究開發(fā)，石墨烯已成為21世紀(jì)的“新材料之王”。

成果簡(jiǎn)介

近日，清華大學(xué)朱宏偉教授和他的團(tuán)隊(duì)在Advanced Intelligent Systems上發(fā)表了題為“Recent Advances of Graphene and Related Materials in Artificial Intelligence”的論文。該團(tuán)隊(duì)重點(diǎn)綜述了石墨烯等材料在機(jī)器學(xué)習(xí)和神經(jīng)形態(tài)器件等方面的最新研究進(jìn)展，主要闡述了基于石墨烯的人工突觸的兩種構(gòu)建方法和基本原理，介紹了石墨烯基晶體管和憶阻器的最新進(jìn)展，最后分析了石墨烯材料在人工智能應(yīng)用中存在的問題和面臨的挑戰(zhàn)。

研究亮點(diǎn)

（1）石墨烯材料的基本概念和原理，AI，ML（機(jī)器學(xué)習(xí)）和AS（人工突觸）;

（2）ML在石墨烯材料性能預(yù)測(cè)、結(jié)構(gòu)識(shí)別、逆向設(shè)計(jì)、任務(wù)識(shí)別中的應(yīng)用;

（3）石墨烯基晶體管和憶阻器在AS中的應(yīng)用;

（4）石墨烯結(jié)合AI的總結(jié)和展望。

圖文導(dǎo)讀

人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種模擬生物大腦的計(jì)算網(wǎng)絡(luò)，由三個(gè)基本層（一個(gè)輸入層，一個(gè)或兩個(gè)隱藏層和一個(gè)輸出層）組成。隨著數(shù)據(jù)規(guī)模、多樣性和不確定性的快速增長(zhǎng)，ANN被進(jìn)一步開發(fā)以引入一些模型，例如多層感知器（MLP）或深度神經(jīng)網(wǎng)絡(luò)（DNN），卷積神經(jīng)網(wǎng)絡(luò)（CNN），遞歸神經(jīng)網(wǎng)絡(luò)（RNN）和深度置信網(wǎng)絡(luò)（DBN），從而生成ML的新分支（深度學(xué)習(xí)，DL）。深度學(xué)習(xí)模型使用大量的隱藏層，每層由數(shù)百個(gè)神經(jīng)元組成。

圖1.?深度學(xué)習(xí)模型

大量的神經(jīng)元和突觸負(fù)責(zé)人腦中的信息處理，神經(jīng)元作為電和化學(xué)信號(hào)接收，處理和傳輸信息，而突觸同時(shí)存儲(chǔ)和處理信息。由大量神經(jīng)元層組成的?DNN?是當(dāng)今實(shí)際應(yīng)用的最佳選擇（圖2a）。隨著Ca2+的細(xì)胞內(nèi)中心增加，STP被觸發(fā)以促進(jìn)神經(jīng)遞質(zhì)的釋放。一旦濃度達(dá)到閾值，就會(huì)觸發(fā)LTP以增強(qiáng)原代α-氨基-3-羥基-5-甲基-4-異噁唑丙酸（AMPA）受體的通透性或在突觸后膜中招募新的AMPA受體，并產(chǎn)生新的蛋白質(zhì)以形成新的突觸（圖3b）。長(zhǎng)期和短期可塑性由相應(yīng)的PSC反映（圖3c）。

圖2、圖3.?人工突觸

圖4.?電子特性

電子特性對(duì)于理解納米級(jí)的復(fù)雜結(jié)構(gòu)–功能關(guān)系至關(guān)重要，特別是對(duì)于2D材料。通過DFT計(jì)算具有任意濃度和構(gòu)型的摻雜石墨烯的帶隙，作為訓(xùn)練和測(cè)試數(shù)據(jù)集。2D矩陣被定義為材料描述符，以定量捕獲不同配置狀態(tài)的特征。結(jié)構(gòu)和帶隙的QSPR由訓(xùn)練有素的CNN構(gòu)建，其預(yù)測(cè)精度高于90%。

 

圖5.?機(jī)械性能

石墨烯及其復(fù)合材料的機(jī)械響應(yīng)對(duì)其應(yīng)用至關(guān)重要。石墨烯及其復(fù)合材料技術(shù)應(yīng)用中的另一個(gè)基本挑戰(zhàn)是斷裂機(jī)理，其中裂紋增長(zhǎng)行為對(duì)納米級(jí)的材料設(shè)計(jì)很有價(jià)值。A. Tabarraei等人提出了一個(gè)包含CNN和雙向遞歸神經(jīng)網(wǎng)絡(luò)（Bi-RNN）的ML模型，以預(yù)測(cè)多晶石墨烯片中的斷裂演變。

圖6.?熱性能

石墨烯的導(dǎo)熱系數(shù)在室溫下可達(dá)5000 W m?1?K?1，電子遷移率高達(dá)2.5×105?cm2?V?1?s，使石墨烯及其復(fù)合材料在電子器件中的熱界面材料前景廣闊。Xu等人開發(fā)了物理告知像素值（PIPV）矩陣（指紋）來捕獲堆疊石墨烯片（I）的幾何特征。經(jīng)過訓(xùn)練的DNN準(zhǔn)確地預(yù)測(cè)了堆疊石墨烯片（V，IV）的導(dǎo)熱性。構(gòu)建了一個(gè)全面的數(shù)據(jù)庫(kù)，用于存儲(chǔ)堆疊石墨烯片的幾何特征及其相應(yīng)的導(dǎo)熱性（VI），提供加速搜索工具來指導(dǎo)堆疊石墨烯片的設(shè)計(jì)。

圖7.?原子結(jié)構(gòu)

由于缺陷位置與熱振動(dòng)特征相關(guān)聯(lián)，G. X. Gu等人通過MD仿真計(jì)算的數(shù)以萬(wàn)計(jì)的熱振動(dòng)地形圖來訓(xùn)練kRR模型，發(fā)現(xiàn)了缺陷位置與熱振動(dòng)特征之間的隱藏相關(guān)性?；诓煌幕締挝唬ㄔ又笖?shù)、域離散化）開發(fā)了兩種類似的預(yù)測(cè)策略?；谠拥姆椒ㄓ糜跈z測(cè)單個(gè)原子空位，而基于域的方法可以檢測(cè)未知數(shù)量的多個(gè)空位，最高可達(dá)原子精度。

圖8.?化學(xué)品識(shí)別

在關(guān)于客觀評(píng)估護(hù)膚品熱屬性（涼爽度和濕潤(rùn)度）的案例研究中，基于石墨烯復(fù)合材料的傳感器可以監(jiān)測(cè)由所應(yīng)用的護(hù)膚品（i）引起的時(shí)間電阻變化。通過回歸分析處理電阻中時(shí)間變化的數(shù)據(jù)，以生成變量（輸入）和相應(yīng)的分?jǐn)?shù)（輸出），用作ML（ii，iii）的訓(xùn)練數(shù)據(jù)集。然后使用經(jīng)過訓(xùn)練的極端梯度提升（XGBoost）模型來評(píng)估有關(guān)護(hù)膚品（iv）的涼爽度和濕度的分?jǐn)?shù)。

從電子鼻的概念中學(xué)習(xí)，L. Lin等人報(bào)告了一種使用單個(gè)石墨烯FET（GFET）和ML模型實(shí)現(xiàn)氣體識(shí)別的新型氣體傳感方案。記錄GFET的氣體檢測(cè)電導(dǎo)率曲線并將其解耦為四種獨(dú)特的物理性質(zhì)（圖9b），即作為4D輸出向量投影到特征空間上。檢測(cè)到的氣體和相應(yīng)的4D輸出向量使用MLP分類器進(jìn)行關(guān)聯(lián)，然后可用于高精度地對(duì)水，甲醇和乙醇蒸氣進(jìn)行分類。

圖9.?運(yùn)動(dòng)識(shí)別

基于石墨烯的傳感器與ML系統(tǒng)相結(jié)合，已被廣泛用作運(yùn)動(dòng)識(shí)別應(yīng)用的可穿戴HMI系統(tǒng)。如圖9所示，S.O. Kim等人將大面積壓力傳感器陣列與ML算法相結(jié)合，構(gòu)建了基于智能座墊的姿態(tài)監(jiān)測(cè)系統(tǒng)。石墨烯-MXene混合器件被用作壓阻式壓力傳感器的傳感材料，具有低滯后和寬感應(yīng)范圍。大面積壓力傳感器陣列集成在座墊中，用于醫(yī)療保健監(jiān)控。針對(duì)不同的坐姿，在每個(gè)像素上實(shí)時(shí)監(jiān)控阻力的變化。RF和ANN模型使用收集的數(shù)據(jù)進(jìn)行訓(xùn)練，以高精度區(qū)分6種坐姿。使用測(cè)量的肌電圖數(shù)據(jù)訓(xùn)練的ML算法（CNN，kNN）成功檢測(cè)7類手指運(yùn)動(dòng)，準(zhǔn)確率為≈99%。

 

總結(jié)與展望

已經(jīng)提出了兩種策略，包括ML（軟件）和NC（AS和人工神經(jīng)元）（硬件），用以模仿生物大腦的功能，能有效地執(zhí)行非結(jié)構(gòu)化數(shù)據(jù)的實(shí)時(shí)處理。由于受制備和試驗(yàn)條件影響的石墨烯的實(shí)際電子、機(jī)械和熱性能遠(yuǎn)低于其理論性能，因此將ML與實(shí)驗(yàn)結(jié)果相結(jié)合進(jìn)行實(shí)際性能預(yù)測(cè)在未來研究中具有重要意義。然而，預(yù)測(cè)范圍和準(zhǔn)確性是有限的，只考慮了少數(shù)精度有限的場(chǎng)景。此外，通過石墨烯光電探測(cè)器陣列實(shí)現(xiàn)的3D成像也很有吸引力，應(yīng)該進(jìn)行更多的研究。

突觸石墨烯晶體管可以執(zhí)行并發(fā)學(xué)習(xí)，在不中斷信號(hào)傳輸過程的情況下更新突觸重量。然而，這些晶體管仍存在許多缺點(diǎn)：1）開/關(guān)比低;2）保留時(shí)間短，表示內(nèi)存有限;3）器件尺寸大，不適用于需要十多個(gè)晶體管來模擬一個(gè)突觸的大面積集成;4）能耗高，遠(yuǎn)高于生物突觸。

總之，采用石墨烯的AI在“軟件”（深度學(xué)習(xí)模型）和“硬件”（神經(jīng)形態(tài)器件，如人工突觸和人工神經(jīng)元）方面都取得了相當(dāng)大的進(jìn)步，但要在未來實(shí)現(xiàn)真正的AI，還有很多工作要做。

文獻(xiàn)鏈接

Recent Advances of Graphene and Related Materials in Artificial Intelligence

Meirong Huang, Zechen Li, Hongwei Zhu*

Advanced Intelligent Systems

DOI: 10.1002/aisy.202200077

原文鏈接：https://onlinelibrary.wiley.com/doi/10.1002/aisy.202200077