在脉冲神经网络中，纤维晶体管可作为反向传播算法的硬件替代梯度生成器

《Advanced Materials》：Fiber Transistors as a Hardware Surrogate Gradient for Backpropagation in Spiking Neural Networks

高效训练突触后脉冲神经网络在柔性神经形态硬件中的挑战源于非可微激活和可训练能量高效器件的缺乏。本研究通过溶剂扩散固化纺丝工艺制备PEDOT:PSS与BBL异质结三明治垂直有机电化学晶体管（TT-vOECT），其非线性传输特性近似Sigmoid导数。提出条件激活反向传播（CAB）机制，通过双TT-vOECT重构逻辑阵列实现基于脉冲幅度和输入事件的门控权重更新，使卷积型SNN在脑电图多类疾病诊断中达到与软件基线相当的性能，同时减少约20%的计算冗余。研究成果建立了可扩展柔性有机硬件平台，支持具有生物启发式学习动力学的可训练神经形态系统。

　　

摘要

在灵活的神经形态硬件中高效训练脉冲神经网络（SNNs）仍然是一个主要挑战，这主要是由于脉冲激活函数的非可微分性质以及可训练、节能设备平台的有限可用性。本文提出了一种可调的基于纺织材料的垂直有机电化学晶体管（TT-vOECT），用于实现SNNs中的梯度计算替代方案。通过溶剂互扩散固化纺丝技术，克服了Plateau–Rayleigh不稳定性，制备出了具有明确异质结构的同轴三层纤维（PEDOT:PSS与BBL之间）。所得到的TT-vOECT表现出接近Sigmoid导数的非线性传输特性。进一步提出了一种条件激活反向传播（CAB）机制，其中突触更新由替代梯度的大小和输入脉冲共同控制，该机制利用基于双TT-vOECT的可重构逻辑阵列实现。这一框架支持稀疏的、事件驱动的权重更新，同时降低了计算开销。将该设备集成到卷积SNN中后，实现了对脑电图信号的高精度分类，可用于多类神经系统疾病的诊断，其性能与软件基线相当，同时计算冗余降低了约20%。这些结果为具有生物启发式学习动态的可训练神经形态系统建立了一个可扩展且灵活的有机硬件平台。

利益冲突

作者声明没有利益冲突。