纤维晶体管作为硬件替代梯度用于尖端神经网络的反向传播
Weichu Chen1, Hao Jiang1, Chengyang Du2
1State Key Laboratory of Advanced Fiber Materials, College of Materials Science and Engineering, Donghua University, Shanghai, 201620, China.
Advanced materials (Deerfield Beach, Fla.)
|November 6, 2025
概括
研究人员开发了一种基于织品的有机晶体管,用于训练尖端神经网络 (SNN). 这一创新使得神经形态硬件中的事件驱动学习能够高效,用于诸如神经障碍诊断等应用.
科学领域:
- 材料科学 材料科学 材料科学
- 神经科学是一个神经科学.
- 计算机工程 计算机工程
背景情况:
- 在神经形态硬件中训练尖端神经网络 (SNN) 是具有挑战性的,因为非可区分的激活和有限的节能平台.
- 现有的方法难以满足SNN的计算需求和硬件限制.
研究的目的:
- 开发一个灵活,可训练的神经形态硬件平台,用于高效的SNN培训.
- 使用新型有机晶体管在SNN中进行反向传播的替代梯度计算.
主要方法:
- 制造可调节的基于织品的垂直有机电化学晶体管 (TT-vOECTs),使用溶剂间扩散固化线策略.
- 开发一种使用双TT-vOECT进行事件驱动突触更新的条件激活反向传播 (CAB) 机制.
- 将CAB策略集成到一个卷积SNN中,用于信号分类.
主要成果:
- TT-vOECT表现出非线性转移特征,接近Sigmoid导数,适合替代梯度.
- 设备驱动的CAB策略使稀疏,事件驱动的权重更新成为可能,减少了计算开销.
- 实现了用于神经障碍诊断的脑电图信号的高精度分类,与软件基线可比,计算冗余减少了约20%.
结论:
- 为可训练的神经形态系统建立了一个可扩展和灵活的有机硬件平台.
- TT-vOECT 和 CAB 机制为神经形态计算中的生物灵感学习动态提供了一条途径.
- 这项工作展示了有机电子在先进的人工智能应用中的潜力.


