近日，福州大学物理与信息工程、微电子学院郭太良团队的陈惠鹏课题组，于国际顶级学术期刊《自然-通讯》发表研究论文“面向分组储层计算：具有分布式储层状态的有机垂直神经形态晶体管用于高效识别和预测”（Toward grouped-reservoir computing: organic neuromorphic vertical transistor with distributed reservoir states for efficient recognition and prediction）。该项研究由福州大学作为第一完成单位，物信学院博士生高昌松担任第一作者，陈惠鹏研究员为通讯作者。

硬件人工神经网络技术（HNN）虽然已经在模式识别、人工视觉以及跨模态信息处理等应用领域获得突破性的进展,但存在硬件训练难度大、收敛速度慢等问题，使得基于物理器件搭建的神经网络得商业化仍存在巨大挑战。得益于训练成本低，适配算法简单等优势，近年来，硬件储层计算（RC）被提出并用以解决传统HNN的训练难题，是当前的研究热点。然而，目前被用于设计硬件储层节点的神经形态器件存在时空特征尺度狭窄的科学难点，这导致硬件储层计算系统仅具有单调的储层状态空间，难以适应多时空尺度的任务信号。

受灵长类动物在面部识别中分布式记忆特性的启发，陈惠鹏课题组设计了一种具有分布式储层状态的有机垂直神经形态晶体管器件作为硬件储层的物理节点，极大地扩展了硬件储层计算系统的时空特征尺度。在该研究中，垂直架构结合多元物理的载流子物理调控机制，极大提升了载流子的动力学状态，使得器件作为物理节点拥有高达1152个储层状态，储层的时间与空间特征范围比分别达到2640和650，优于目前已报道的神经形态器件。进一步地，基于该器件设计出的分组RC网络在卫星遥感图像识别方面取得了超过94%的高识别精度，在交通运动轨迹预测中实现了超过95%的预测准确度。这项工作不仅解决了传统硬件储层节点时空特征范围尺度狭窄的难题，还为新一代人工神经形态硬件和类脑计算的发展提供了重要的硬件开发策略。

该研究成果受到国家自然科学基金、科技部重点研发计划、闽都创新实验室自主部署项目等项目的支持。

文章链接：https://www.nature.com/articles/s41467-024-44942-8