传统机构加速入局加密货币

该工作的主要创新之处包括：

（1）受大脑中高并行的模拟神经信号处理方式的启发，利用忆阻器的仿生特性首次高效实现了高阶FIR滤波器组，作为一个通用的神经信号处理单元。

（2）提出一种基于忆阻器阵列的新型脑机接口原型系统，集成了作为神经信号预处理单元的高阶FIR滤波器组和作为信号解码器单元的忆阻器神经网络。

（3）使用预记录的癫痫相关神经信号的数据集（Bonn Epilepsy Dataset），对所构建的神经信号处理系统的功能进行了验证，实现了93.46%的大脑癫痫状态识别准确率。评估表明，系统功耗相比传统硬件具有两个数量级以上的优势。

清华大学微纳电子系吴华强教授、唐建石助理教授和医学院洪波教授是本论文的共同通讯作者，清华大学微纳电子系博士生刘正午为论文的第一作者，论文合作者包括微纳电子系博士生周颖、医学院博士生刘定坤等人。该研究得到了国家自然科学基金委、科技部重点研发计划、北京信息科学与技术国家研究中心等支持。

Neural signal analysis with memristor arrays towards high-efficiency brain–machine interfaces

Zhengwu Liu, Jianshi Tang, Bin Gao, Peng Yao, Xinyi Li, Dingkun Liu, Ying Zhou, He Qian, Bo Hong, Huaqiang Wu

Nat. Commun., 2020, 11, 4234, DOI: 10.1038/s41467-020-18105-4

清华大学钱鹤、吴华强团队简介

微纳电子系钱鹤、吴华强教授团队长期致力于基于忆阻器的存算一体芯片技术研究，从器件性能优化、工艺集成、电路设计及架构与算法等多层次实现创新突破，相关研究成果已在Nature、Nature Nanotechnology、Nature Electronics、Nature Communications、Advanced Materials 等顶级期刊以及IEDM、ISSCC、VLSI等领域内顶级国际学术会议上发表。
 

近年来，脑机接口技术作为信息科学与神经科学等多学科交叉融合的前沿领域，在康复医学、医疗电子等领域得到了广泛关注与应用， Neuralink、BrainCo、Neuracle等公司都积极投入实用化脑机接口的研发。脑机接口技术可以将大脑发出的动作或言语意图翻译为控制指令，从而帮助运动、语言障碍患者的康复治疗。同时，脑机接口技术还可以用来监测与癫痫、阿尔兹海默症和帕金森病等神经退行性疾病相关的脑状态，为治疗这些疾病提供新的治疗方案。目前，主流的脑机接口中的神经信号分析模块由硅CMOS电路构成，但随着脑机接口中的信号采集通道数的增加，系统面临着功耗和延时等方面的巨大挑战，这是制约脑机接口技术在植入式或便携式医疗系统中应用的重要瓶颈之一。

忆阻器是一种新型信息处理器件，其电导状态可以通过外加电压激励驱动离子迁移来调节。忆阻器的工作机理与人脑中的神经突触、神经元等具有一定的相似性，基于忆阻器的神经形态计算可以突破传统计算架构，在实现高并行度的同时显著降低功耗，因此在脑机接口领域有着巨大的应用潜力。

研究团队受此启发，通过在脑机接口领域两年多的交叉学科紧密合作，提出了基于忆阻器阵列的新型脑机接口，实验制备了具有模拟阻变特性的忆阻器阵列，并构建了基于忆阻器的神经信号分析系统。该系统包含用于神经信号高效预处理的忆阻器滤波器组和用于智能分类识别的忆阻器神经网络。为了验证该系统的可行性，研究团队演示了癫痫相关的神经信号滤波与分类，忆阻器系统最终实现了93.46%的大脑癫痫状态识别准确率，相较于传统CMOS硬件，具有400倍以上的功耗优势。
 

不妨以电信领域中实际发生的流程为例来见证一下云地协同的魅力。当某电信局点 DC PUE 模型三个月不更新后，模型精度开始劣化，下降到 70%。此时地端会在本地进行重训练，但由于样本少，资源有限，优化效果可能并不明显。而云端由于汇聚多个局点的样本数据，经过专家经验处理，会形成高质量的模型，于是云端的模型仓库就会把训练或优化的新模型包推送到地端。地端接收以后，就可以进行实际对比和评估，择优升级。

值得一提的是，目前 NAIE 还可以构建 DC 节能和无线网络优化等仿真场景。传统电信网络优化工作必须要先经过仿真系统验证，但是往往需要一周才能拿到优化参数，效率并不高。而如今通过华为云端的仿真系统来验证，既不会影响现实中网络性能，又可以迅速反馈，仅需一天就能反馈优化的最佳参数，大大提升了网络优化的工作效率。

概括而言，云地协同实现了“一点生效，多点复制”——当AI的特性在一个局点成功实施后，可以快速地形成知识和经验，并在其他局点进行复制，从而实现在全网规模应用。