據麥姆斯咨詢報道，近日，美國得克薩斯大學達拉斯分校 （University of Texas at Dallas）和內布拉斯加大學林肯分校（University of Nebraska—Lincoln）的研究人員組成的科研團隊在Communications Engineering期刊上發表了題為“Energy efficient integrated MEMS neural network for simultaneous sensing and computing”的論文，提出了一種集成傳感和計算功能的MEMS神經網絡以同時執行加速度傳感和分類任務，這種一體化結構以零電路和低功耗運行。該研究提出的方法將使可穿戴設備等新興技術能夠利用單次電池充電的電能進行復雜的計算。

人類皮膚、鷹的翅膀或章魚觸手等生物系統固有地集成了傳感、致動和控制能力，以產生獨特的多功能性。受這些生物系統的啟發，人們對開發能夠將傳感、致動和計算集成到一個結構中的智能材料（超構材料）越來越感興趣。這些智能材料的進步將影響各種各樣的應用，使人們有望開發出改變其空氣動力學外形的機翼、具有逼真觸覺的機器人皮膚、甚至可以自主導航穿過患者身體進行微創手術的機器人觸手。機械計算機被視為實現這一進步的解決方案。一個例子是使用微機電系統（MEMS）進行數字計算。具體來說，諸如AND、NAND、OR或XOR之類的邏輯門已經可使用單個MEMS器件來實現。然而，基于MEMS的邏輯門級聯兼容性較差，難以實現類集成電路，這是一項重大的挑戰。

生物系統將多種功能無縫地結合在輕質和節能結構中。合成結構的這種能力在航空航天、機器人和可穿戴設備等眾多工程應用中是令人向往的。本研究報道了一種集成的硅基結構，該結構被配置為在同一物理層內感知、執行不同的分類算法并產生動作信號。算法被編碼在多個耦合MEMS的傳感元件的機械響應中，同時捕獲加速度測量值以產生致動信號。這種一體化結構以零電路和低功耗運行。作為演示，研究人員設計并制造了一個由三個MEMS神經元組成的網絡，成功地執行了簡單的信號分類和行為識別任務（站姿和坐姿），每次運行的能耗分別僅有9.92 × 10?1? kWh和17.79 × 10?1?? kWh。提出的方法將使可穿戴設備等新興技術能夠利用單次電池充電的電能進行復雜的計算。

研究人員構建了一個由三個神經元組成的MEMS神經網絡，以同時執行加速度傳感和分類任務，如圖1所示。每個MEMS神經元由一個由蜿蜒曲折的系鏈支撐的懸浮慣性質量塊構成。每個質量塊具有向外延伸的電極陣列，與相鄰電極形成平行板靜電致動器。根據其用途，電極陣列被稱為“軟化電極”或“耦合電極”。電極陣列的力-位移特性使慣性質量塊的運動高度非線性，復制了典型循環神經網絡（RNN）中神經元的非線性行為。在這種模擬中，如圖1b所示，軟化電極類似于典型神經網絡中的偏置項，誘發負靜電剛度，從而使結構軟化。此外，耦合電極類似于神經網絡權重，將元件靜電耦合在一起。耦合電極還提供了慣性質量塊之間復雜的多向交互作用機制。

圖1 基于MEMS的傳感和計算神經網絡

檢測并理解站姿和坐姿的行為識別（ARSS）是很重要的，因為長時間坐著與肌肉骨骼健康問題有關。因此，用戶的坐姿行為可以通過使用連續的姿勢監測來改善。運行復雜慣性測量算法的可穿戴設備被提出以用于這種監測。然而，在現實生活中，可穿戴設備通常受到嚴格的功率預算要求的影響，無法持續運行此類技術。使用MEMS神經網絡硬件有望克服這項挑戰。

圖2a顯示了MEMS神經網絡在執行坐姿和站姿識別任務時測得的加速度數據。圖2b描述了施加偏置電壓且沒有加速度的情況下處于靜止狀態的系統。圖2c-2f說明了MEMS神經網絡硬件作為理想ARSS的加速度分類器的運行原理。在這種實現方式中，M1撞擊其底部限位器以指示NP信號（圖2c、2d），或者M3撞擊其上部限位器來指示PN信號（圖2e、2f）。圖2g顯示了器件吸合（pull-in）之后的SEM圖像，表明由于存在限位器，電極不會產生接觸。

圖2 執行ARSS的3-MEMS神經元網絡的示意圖

微加工MEMS神經單元的實驗測試如圖3所示。圖3a顯示了所應用的電氣連接的示意圖。圖3b顯示了該器件在光學顯微鏡下的靜止狀態。圖3c、d分別顯示了施加完整的NP和PN加速信號時系統的最終響應。為了評估神經計算單元拒絕錯誤信號的能力，研究人員使用了兩個加速度信號：一個具有正斜率然后負斜率的正加速度信號；以及一個具有負斜率然后正斜率的負加速度信號，如圖3e、3f所示。這些加速度信號是通過將器件從水平位置旋轉90度或- 90度產生的。從圖3e、3f的右側可以看出，在這些錯誤信號的作用下，當M2向上或向下吸合時，其他器件都沒有發生吸合。這表明MEMS神經計算單元正確地拒絕了這些信號。

圖3 MEMS神經網絡硬件在行為識別模式下的原理示意圖和實驗結果

同樣的MEMS神經網絡硬件通過改變偏置電壓可進行不同的配置，以執行不同的分類問題。這種配置可區分漸變（三角形）和突變（階躍/平方）的輸入信號。圖4說明了所述MEMS神經網絡作為電信號分類器的工作原理。與之前的加速度分類相比，待分類的信號作為輸入電壓進入M1和M3的梳狀驅動致動器，M2的狀態確定信號類別；M2的向下吸合表示檢測到突變信號，M2的向上吸合表示檢測出漸變信號。

圖4 執行信號分類的MEMS神經網絡硬件的工作原理示意圖

圖5顯示了使用MEMS神經網絡硬件對該工作原理（圖4）的驗證。具體而言，圖5a顯示了所應用的電氣連接的示意圖。圖5b顯示了靜止的器件。圖5c顯示了施加突變信號時系統的最終響應，最后，圖5d、5e顯示了MEMS神經網絡對漸變信號的響應。

圖5 MEMS神經網絡硬件執行信號分類的示意圖和實驗結果

綜上所述，本文提出了一種集成傳感和計算功能的MEMS神經網絡硬件來執行分類任務。所提出的MEMS神經網絡可以被重新配置，通過改變其偏置電壓來執行完全不同的分類任務。分類算法被編碼在多耦合靜電MEMS器件的傳感元件的機械響應中，這些器件同時捕獲令人感興趣的測量值，例如加速度。零電路需求的MEMS計算單元將在傳感物理層（襯底）上執行計算，并通過以下方式對偏置電壓僅有極少的能量需求（ARSS約為9.92 × 10?1? kWh，信號分類問題為1.779 × 10?1? kWh）:（1）消除了用于調節和讀取傳感器輸出的耗能電路的需要；（2）由于電容式靜電驅動，MEMS神經網絡在每個分類循環中消耗的總能量非常微不足道。

審核編輯：劉清