研究背景
隨著物聯網（IoT）的快速發展，數據生成的規模迅速增長，邊緣計算逐漸成為研究熱點。邊緣計算將計算從中心數據中心轉移到網絡邊緣，可以有效減少帶寬需求、提高響應速度并降低功耗。然而，邊緣設備在實現深度神經網絡（DNN）時面臨計算資源有限和功耗過高等挑戰。這些限制使得在邊緣環境中部署復雜的機器學習模型變得困難，尤其是在實時處理和響應的應用中。為了解決這些問題，模糊邏輯系統（FLS）因其能夠處理不確定信息的能力和簡單的規則表示而受到關注。FLS能夠靈活適應環境變化，并在工業控制、健康監測和非線性建模等領域得到了廣泛應用。然而，現有模糊邏輯系統的硬件實現仍然面臨著可重構隸屬函數生成器（MFG）復雜度高和功耗大的問題。這一限制阻礙了FLS在智能網絡中的廣泛應用。 鑒于此，為了解決這些問題，美國南加利福尼亞大學（University of Southern California）Hefei Liu, Jiahui Ma等，中國科學院半導體所Jiangbin Wu等，美國西北大學Mark C. Hersam，香港大學Han Wang等攜手在“Nature Electronics”期刊上發表了題為“A van der Waals interfacial junction transistor for reconfigurable fuzzy logic hardware”的最新論文。研究人員提出了一種基于多柵范德華界面結晶體管（vdW-IJT）的可重構MFG，這種器件由二硫化鉬（MoS?）/石墨烯異質結構組成，能夠生成可調的高斯型和π型隸屬函數。通過將這一生成器與外圍電路集成，研究者成功創建了一個可用于非線性系統控制的模糊控制器硬件。這項研究不僅展示了模糊邏輯系統在邊緣計算中的潛力，還通過將其與卷積神經網絡結合，形成了模糊神經網絡（FNN），在圖像分割任務中顯著提高了性能，特別是在處理小而重要對象的邊界識別時。
研究亮點
1. 實驗首次提出一種基于多柵范德華界面結晶體管的可重構隸屬函數生成器（MFG），實現了對高斯型和π型隸屬函數的可調生成。該生成器利用二硫化鉬（MoS?）/石墨烯異質結構，借助電荷轉移效應有效調節通道中的摻雜水平，從而實現對隸屬函數形狀和參數的精確控制。2. 實驗通過將該MFG與CMOS電路集成，構建了一個完整的模糊邏輯系統硬件。該系統作為模糊比例積分微分（PID）控制器運行，能夠生成適應不同控制需求的非線性控制曲面，展示出良好的可重構性和靈活性。 3. 結合深度學習，研究還將該模糊邏輯系統與三層卷積神經網絡（CNN）相結合，形成了一種模糊神經網絡（FNN），顯著提升了圖像分割性能。通過模糊模塊的引入，該系統在處理小而關鍵對象的邊界時表現出更高的準確性。4. 實驗結果顯示，與傳統的沒有模糊層的CNN相比，FNN能夠更有效地識別和勾畫圖像中的重要對象邊界，為邊緣計算中的圖像處理任務提供了新的思路和解決方案。
圖文解讀
圖1: 范德華van der Waals 界面結式晶體管interfacial junction transistor，vdW-IJT器件結構、PL光譜和電學特性。
圖2:多柵極vdW-IJT器件結構和高度可調的電學特性。圖4: 用于圖像分割的模糊神經網絡fuzzy neural network，FNN。圖5:傳統CMOS方法之間的可重構隸屬函數生成器membership function generator，MFG比較。
總結展望
本文基于范德華異質結的橫向接面晶體管（vdW-IJT）展現出的電流放大和分流特性，表明了低維材料在器件中的優越性能。集成模糊邏輯系統（FLS）與vdW-IJT的創新設計展示了非線性控制在復雜環境中的應用潛力。這一跨學科的結合不僅提升了控制系統的適應性，也為邊緣計算和人工智能的發展提供了新的思路，推動了智能設備的普及。最后，本文通過多種表征手段深入解析了vdW-IJT的微觀機理，為后續研究提供了扎實的理論基礎。這種系統化的研究方法鼓勵科學家在未來的工作中，繼續采用多維度的實驗與理論結合，推動新材料的開發和應用。 Liu, H., Wu, J., Ma, J. et al. A van der Waals interfacial junction transistor for reconfigurable fuzzy logic hardware. Nat Electron (2024). https://doi.org/10.1038/s41928-024-01256-3
