常见计算机所采用的架构是冯·诺依曼提出的。它们采用独立的计算和存储模块来集中处理信息，保证了现代计算机的通用性，但模块内和模块间的大量数据读写和交换已成为计算的一大瓶颈。人脑的计算模式则有所不同。它由海量的神经元组成，对信息的处理是分布式的，能根据环境感知信息，结合自身记忆进行分析、计算和判断，从而高效调控生理状态和行为。类脑神经形态计算的这种分布式特点，大大减少了数据的传输和读写，对数据密集型任务，以及数据读写、传输困难的任务（如机械计算）具有明显优势。
图1.存内机械计算结构示意图：（a）存内机械系统的组成；（b）存内机械计算系统的运算方式；（c）移位寄存器；（d）同或门；（e）感知器
最近，清华大学航天航空学院陈常青教授团队提出了神经形态的存内机械计算框架，在类脑机械计算领域取得了重要进展（图1a）。该架构借助力学超材料，由分布式的机械内存单元组成。当接收到时间信号时，系统会基于当前状态向下一个状态演化（图1b），而计算则直接在内存中进行，最大限度地减少了“计算”和“数据”之间的距离，简化了数据传输和交换，便利了任务的执行。内存单元通过移位寄存器、同或门和感知器（图1c-d）三种基本力学相互作用进行连接，为机械体系的学习、自适应和功能完备地执行类神经功能提供了基础。
图2.可重编程机械二值化神经网络：（a）示意图；（b）对应的二值化神经网络；（c）实物图
基于所提出的存内机械计算架构，研究团队分别构筑了可重编程机械二值化神经网络和自学习感知器两个实验示例，展示了其应用前景。其中，机械二值化神经网络（图2a）等价于图2b中的神经网络，实物如图2c所示。存储单元为双稳态曲梁，可以非易失存储二值权重-1和1。通过设计连杆、弹簧和它们与曲梁之间的关系，实现了对应的三种基本相互作用。实验还展示了所建立的机械网络在数字奇偶性判别和区间判别的应用。
所构筑的机械自学习感知器由向前传播（黑色连接符号）和向后传播（棕色连接符号）两套信息传输回路组成，见图3a和3b。在向后传播过程中，所建立的体系能够基于外部输入情况自适应更新权重，从而能够习得目标输入输出关系（图3c）。上述两个示例显示，在机械内存中可进行计算的分布式信息处理，从而能最大程度上发挥结构本身的智能，为构建新一代的类生命体的“智慧型”材料提供基础。
图3.机械自学习感知器：（a）示意图；（b）自学习感知器；（c）实物图
相关研究成果以“存内机械计算”（In-memory mechanical computing）为题，近日在《自然·通讯》（Nature Communications）在线发表。该研究是陈常青教授课题组继“具有可重编程逻辑功能的力学超材料”（Nature Communications, 2021）和“像素化力学超材料的信息编码和存储”（Advanced Science, 2023）之后，在力学超材料机械计算研究中的又一重要进展。
清华大学航院陈常青教授为本文通讯作者，2019级博士生梅铁为第一作者。该研究得到国家自然科学基金委重点项目和创新群体项目的支持。
论文链接：
https://doi.org/10.1038/s41467-023-40989-1
供稿：航天航空学院
题图设计：曾仪
编辑：李华山
审核：郭玲
2023年08月29日 14:28:32
