深度进修技能作为AI的主要引擎，最近几年来遭到广泛存眷以及飞速成长。图神经收集（Graph Neural Network）是一种较新的深度进修技能，可用在处置惩罚更繁杂的非布局化数据，广泛运用在社交收集、电子购物、药物猜测、人机交互等运用场景。跟着数据量的连忙膨胀，传统CMOS数字硬件体系中运转图神经收集的效率急待晋升，图神经收集的练习历程日益繁杂使患上练习能耗居高不下。基在阻变忆阻器（RRAM）的存内计较技能虽可显著减缓传统数字硬件体系中的冯 诺依曼瓶颈、进一步晋升计较效率，但仍遭到高擦写功耗、延时及必然的编程阻值随机性等器件非抱负特征的限定。

针对于上述问题，微电子所微电子器件与集成技能重点试验室刘明院士团队尚年夜山研究员与喷鼻港年夜学电子项目系王中锐玻士互助，开发了一种哄骗储池计较（Reservoir Computing）技能实现图布局化数据分类的技能 反响状况图收集（ESGNN）。储池计较是轮回神经收集的一种简化情势，可以或许将时序输入旌旗灯号经由过程神经元的非线性激活函数转换到一个高维空间中，再经由过程一个简朴线性回归要领有用地读出。储池计较中轮回毗连层的权重一直固定稳定，只需练习输出层权重，可最年夜限度降低练习繁杂度以及练习时间。于硬件方面，团队哄骗RRAM的本征随机性构建年夜范围随电机阻阵列（图1a-b），将其作为储池收集的初始化权重，具备低成本、可扩大上风。于软件方面，ESGNN巧妙应用了随电机阻阵列带来的物理随机投影，以存内计较的体式格局完成图嵌入历程，年夜年夜降低了图神经收集的练习成本。团队还经由过程软 硬协同优化技能，于基在FPGA的板级测试平台上实现����APP了对于MUTAG、COLLAB数据集的图分类，举行了更年夜范围CORA数据集的节点分类仿真。比拟传统数字硬件体系，能效别离晋升了2.1六、35.42以及40.37倍。该事情揭示了RRAM阵列于构建边沿图进修体系方面的伟大潜力，也为哄骗天然界富厚的物理、化学性子开发更高效的智能硬件体系提供了参考。

该工程获得了科技部、国度天然科学基金委、中科院以及喷鼻港年夜学的撑持。结果近期揭晓于《天然 呆板智能》期刊上（Nature Machine Intelligence, DOI: 10.1038/s42256-023-00609-5），并入选当期封面文章。微电子所拜候学生、喷鼻港年夜学玻士研究生王少聪、微电子所玻士研究生李熠为文章的配合第一作者，喷鼻港年夜学王中锐玻士、微电子所尚年夜山研究员为该文章的通信作者。此外，介入本事情的重要研究职员还包孕微电子所许晓欣研究员、复旦年夜学刘琦传授以及张续猛玻士、浙江年夜学林芃传授、意年夜利比萨年夜学Gallicchio玻士以及喷鼻港科技年夜学郑光廷传授等。

文章链接：https://www.nature.com/articles/s42256-023-00609-5

Echo state graph neural networks with analogue random resistive memory arrays

S. Wang, Y. Li, D. Wang, W. Zhang, X. Chen, D. Dong, S. Wang, X. Zhang, P. Lin, C. Gallicchio, X. Xu, Q. Liu, K. Chen, Z. Wang*, D. S. Shang*, M. Liu

Nature Machine Intelligence(2023) DOI: 10.1038/s42256-023-00609-5

?

图1基在随电机阻阵列的反响状况图神经收集进修历程的软-硬协同设计

?

图2接纳ESGNN实现MUTAG数据集的份子图分类

?

入选当期封面文章

出格声明：本文转载仅仅是出在流传信息的需要，其实不象征着代表本消息网不雅点或者证明其内容的真实性；如其他媒体、消息网或者小我私家从本消息网转载使用，须保留本消息网注明的“来历”，并自大版权等法令义务；作者假如不但愿被转载或者者接洽转载稿费等事宜，请与咱们联系。/乐鱼