激光网3月12日消息，从创建图像、生成文本到启用自动驾驶汽车，人工智能的潜在用途是巨大且具有变革性的。然而，所有这些能力都伴随着非常高的能源成本。例如，据估计，训练 OPEN AI 流行的 GPT-3 模型消耗超过 1287 MWh，足以为一个普通美国家庭提供 120 年的需求。
这种能源成本构成了一个巨大的障碍，特别是在健康监测等大规模应用中使用人工智能时，大量关键健康信息被发送到集中式数据中心进行处理。这不仅消耗大量能源，还引发了对可持续性、带宽过载和通信延迟的担忧。
实现基于人工智能的健康监测和生物诊断需要一个独立运行的独立传感器，而无需持续连接到中央服务器。
同时，传感器必须具有长时间使用的低功耗，应能够处理快速变化的生物信号以进行实时监测，具有足够的灵活性以舒适地附着在人体上，并且由于卫生原因需要经常更换，因此易于制造和处理。
考虑到这些标准，由Takashi Ikino副教授领导的东京理科大学的研究人员开发了一种灵活的纸质传感器，其工作方式与人脑类似。他们的研究结果发表在Advanced Electronic Materials上。
“开发了一种由纳米纤维素和ZnO组成的纸基光电突触器件，用于实现物理储层计算。该设备在适合健康监测的时间尺度上表现出突触行为和认知任务，“Ikuno 博士说。
在人脑中，信息通过突触在神经元网络之间传播。每个神经元都可以自行处理信息，使大脑能够同时处理多项任务。与传统的计算系统相比，这种并行处理能力使大脑更加高效。
为了模拟这种能力，研究人员制造了一种光电人工突触装置，该装置由金电极组成，该装置位于由氧化锌纳米颗粒和纤维素纳米纤维组成的10μm透明薄膜上。
透明薄膜有三个主要用途。首先，它允许光通过，使其能够处理代表各种生物信息的光输入信号。其次，纤维素纳米纤维具有柔韧性，可以很容易地通过焚烧处理。
第三，ZnO纳米颗粒具有光响应性，当暴露于脉冲紫外光和恒定电压时会产生光电流。这种光电流模拟人脑中突触传递的反应，使设备能够解释和处理从光学传感器接收到的生物信息。
值得注意的是，该薄膜能够区分 4 位输入光脉冲，并响应时间序列光输入产生不同的电流，响应时间约为亚秒级。这种快速反应对于检测健康相关信号的突然变化或异常至关重要。
此外，当暴露于两个连续的光脉冲时，第二个脉冲的电流响应更强。这种行为被称为增强后促进，有助于大脑中的短期记忆过程，并增强突触检测和响应熟悉模式的能力。
为了测试这一点，研究人员将MNIST图像转换为4位光脉冲。然后，他们用这些脉冲照射薄膜并测量电流响应。使用这些数据作为输入，神经网络能够以 88% 的准确率识别手写数字。
值得注意的是，即使设备反复弯曲和拉伸长达 1000 次，这种手写数字识别功能仍然没有受到影响，证明了其坚固性和重复使用的可行性。“这项研究强调了将半导体纳米颗粒嵌入柔性CNF薄膜中作为PRC柔性突触器件的潜力，”Ikuno博士总结道。
