为模仿大脑对复杂时序信号的处理能力，储备池计算以其易训练、便于硬件实现等优点成为类脑计算的前沿热点。高效的储备池计算架构能够充分挖掘电子器件的自身物理属性，以用作计算资源实现仿生人工神经网络。近日，清华大学科研团队在《NatureCommunications》杂志发表了题为“Rotatingneuronsforall-analogimplementationofcyclicreservoircomputing”的论文，首次提出了一种基于旋转神经元的储备池计算架构，支持全模拟、低功耗的时序信号处理。
该团队在研究储备池计算的过程中发现，在物理连接上将一种特定的非线性动态单元（神经元电路）旋转起来，得到的输出等效于循环储备池算法的状态向量输出，并将这种硬件实现形式命名为旋转神经元储备池。该架构在设计上简洁高效，具有较强的可解释性，同时在非线性系统拟合任务上的表现优于现有储备池计算系统。研究团队进一步搭建了集成忆阻器阵列输出层的储备池计算系统，用硬件演示了实时混沌序列预测和手写字母识别，成功实现了端到端的全模拟计算，系统功耗比此前文献报道的储备池计算系统低三个数量级。