研究背景

自計算機在上世紀70年代接上網(wǎng)絡以來，計算機的研發(fā)人員一直在努力獲取計算機新的知識，發(fā)現(xiàn)新的事實和理論，開發(fā)計算機新的功能，造福于人類。這就是開發(fā)人工智能（AI）的起源，目的是讓機器實現(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，引起了人們對二維材料的極大興趣，進而促進其他二維材料（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。而石墨烯也不負眾望，經(jīng)過十幾年的研究開發(fā)，石墨烯已成為21世紀的“新材料之王”。

成果簡介

近日，清華大學朱宏偉教授和他的團隊在Advanced Intelligent Systems上發(fā)表了題為“Recent Advances of Graphene and Related Materials in Artificial Intelligence”的論文。該團隊重點綜述了石墨烯等材料在機器學習和神經(jīng)形態(tài)器件等方面的最新研究進展，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展，最后分析了石墨烯材料在人工智能應用中存在的問題和面臨的挑戰(zhàn)。

研究亮點

（1）石墨烯材料的基本概念和原理，AI，ML（機器學習）和AS（人工突觸）;

（2）ML在石墨烯材料性能預測、結(jié)構(gòu)識別、逆向設計、任務識別中的應用;

（3）石墨烯基晶體管和憶阻器在AS中的應用;

（4）石墨烯結(jié)合AI的總結(jié)和展望。

圖文導讀

人工神經(jīng)網(wǎng)絡（ANN）是一種模擬生物大腦的計算網(wǎng)絡，由三個基本層（一個輸入層，一個或兩個隱藏層和一個輸出層）組成。隨著數(shù)據(jù)規(guī)模、多樣性和不確定性的快速增長，ANN被進一步開發(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（DNN），卷積神經(jīng)網(wǎng)絡（CNN），遞歸神經(jīng)網(wǎng)絡（RNN）和深度置信網(wǎng)絡（DBN），從而生成ML的新分支（深度學習，DL）。深度學習模型使用大量的隱藏層，每層由數(shù)百個神經(jīng)元組成。

圖1.?深度學習模型

大量的神經(jīng)元和突觸負責人腦中的信息處理，神經(jīng)元作為電和化學信號接收，處理和傳輸信息，而突觸同時存儲和處理信息。由大量神經(jīng)元層組成的?DNN?是當今實際應用的最佳選擇（圖2a）。隨著Ca2+的細胞內(nèi)中心增加，STP被觸發(fā)以促進神經(jīng)遞質(zhì)的釋放。一旦濃度達到閾值，就會觸發(fā)LTP以增強原代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）。長期和短期可塑性由相應的PSC反映（圖3c）。

圖2、圖3.?人工突觸

圖4.?電子特性

電子特性對于理解納米級的復雜結(jié)構(gòu)–功能關(guān)系至關(guān)重要，特別是對于2D材料。通過DFT計算具有任意濃度和構(gòu)型的摻雜石墨烯的帶隙，作為訓練和測試數(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由訓練有素的CNN構(gòu)建，其預測精度高于90%。

 

圖5.?機械性能

石墨烯及其復合材料的機械響應對其應用至關(guān)重要。石墨烯及其復合材料技術(shù)應用中的另一個基本挑戰(zhàn)是斷裂機理，其中裂紋增長行為對納米級的材料設計很有價值。A. Tabarraei等人提出了一個包含CNN和雙向遞歸神經(jīng)網(wǎng)絡（Bi-RNN）的ML模型，以預測多晶石墨烯片中的斷裂演變。

圖6.?熱性能

石墨烯的導熱系數(shù)在室溫下可達5000 W m?1?K?1，電子遷移率高達2.5×105?cm2?V?1?s，使石墨烯及其復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)過訓練的DNN準確地預測了堆疊石墨烯片（V，IV）的導熱性。構(gòu)建了一個全面的數(shù)據(jù)庫，用于存儲堆疊石墨烯片的幾何特征及其相應的導熱性（VI），提供加速搜索工具來指導堆疊石墨烯片的設計。

圖7.?原子結(jié)構(gòu)

由于缺陷位置與熱振動特征相關(guān)聯(lián)，G. X. Gu等人通過MD仿真計算的數(shù)以萬計的熱振動地形圖來訓練kRR模型，發(fā)現(xiàn)了缺陷位置與熱振動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)了兩種類似的預測策略?；谠拥姆椒ㄓ糜跈z測單個原子空位，而基于域的方法可以檢測未知數(shù)量的多個空位，最高可達原子精度。

圖8.?化學品識別

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

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

圖9.?運動識別

基于石墨烯的傳感器與ML系統(tǒng)相結(jié)合，已被廣泛用作運動識別應用的可穿戴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。針對不同的坐姿，在每個像素上實時監(jiān)控阻力的變化。RF和ANN模型使用收集的數(shù)據(jù)進行訓練，以高精度區(qū)分6種坐姿。使用測量的肌電圖數(shù)據(jù)訓練的ML算法（CNN，kNN）成功檢測7類手指運動，準確率為≈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)的實時處理。由于受制備和試驗條件影響的石墨烯的實際電子、機械和熱性能遠低于其理論性能，因此將ML與實驗結(jié)果相結(jié)合進行實際性能預測在未來研究中具有重要意義。然而，預測范圍和準確性是有限的，只考慮了少數(shù)精度有限的場景。此外，通過石墨烯光電探測器陣列實現(xiàn)的3D成像也很有吸引力，應該進行更多的研究。

突觸石墨烯晶體管可以執(zhí)行并發(fā)學習，在不中斷信號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：1）開/關(guān)比低;2）保留時間短，表示內(nèi)存有限;3）器件尺寸大，不適用于需要十多個晶體管來模擬一個突觸的大面積集成;4）能耗高，遠高于生物突觸。

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

文獻鏈接

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