共振隧道二极管水库计算系统用于图像识别-计算机科学-机器学习-隧道二极管-图像识别.pdfVIP

共振隧道二极管水库计算系统用于图像识别

A.H.Abbas,HendAbdel-Ghani,andIvanS.Maksymov

ArtificialIntelligenceandCyberFuturesInstitute,

CharlesSturtUniversity,Bathurst,NSW2795,Australia

(10Dated:2025年7月23日)

随着人工智能继续向实时、边缘计算和资源受限环境推进，迫切需要创新且硬件高效的计算模型。在

本研究中，我们提出并验证了一种基于共振隧道二极管（RTDs）的神经形态计算架构，这种二极管表

现出适用于物理水库计算（RC）的理想非线性特性。我们在理论上制定了基于RTD的RC系统，并进

行了数值实现，证明了其在两个图像识别基准上的有效性：手写数字分类和使用Fruit360数据集进行

的对象识别。我们的结果显示，此电路级架构提供了有前景的表现，同时遵循下一代RC的原则——

消除随机连接，转而采用确定性的非线性输入信号变换。

关键词:隧道二极管，图像识别，水库计算，非线性动力学，激活函数。

通讯作者：aborae@.au

本I.介绍的能效执行计算任务的电路，但仍依赖于一个足够快

译且低功耗的数字计算机进行数据处理。然而，由于将

中基于机器学习的图像识别已成为科学研究[1]、医神经元实现为电子电路[16,17]，整体上会更加高效。

疗保健[2]、国防[3]、农业[4]和工业[3,5]的基石技这种方法特别适合于物理（硬件）水库计算（RC）

1

v术。通过使计算机能够以高精度识别和分类视觉数据，—神经形态计算的一个分支，它利用物理系统的内在

8

5这些系统正在改变我们解析复杂模式的方式，从放射动力学来执行高效的计算[18–21]。特别是，RC系统

1学中的诊断医疗状况[2]到引导自主车辆[6]和增强卫已被证明对于处理高度非线性和混沌的时间序列数据

5

1星图像分析[7]。集非常有效。RC的一个关键优势是其较低的训练成

.

7从根本上说，这项技术从大量图像数据集中学习，本，因为它通常只需要少量的训练数据，并且只依赖

0

5逐步提高其检测细微特征的能力，这些特征可能是人于读出层的线性优化[22]。然而，传统的RC模型依赖

2眼所忽略的。通常，一个图像识别系统由一个将现实于随机初始化的权重矩阵来定义神经元连接和输入映

:

v世界中的图像和物体转换为数字形式的扫描仪以及一射，这往往需要仔细调整。为了解决这一挑战，最近

i

x个从这些数字图像数据集中学习以推断之前未见过的的研究表明了RC与非线性向量自回归（NVAR）之间

r

a扫描输入身份的机器视觉子系统组成[8]。的数学等价性，这种表述消除了对随机矩阵的需求，降

这样的系统的识别部分大多委托给运行在数字计低了超参数复杂度，并提供了更好的可解释性[23,24]。

算机上的软件。通常，计算机必须具备相当的计算能这一发展被称为下一代水库计算。

力来存储和处理信息。虽然在一个静态环境中使用高RC系统也可以通过多种物理平台实现，包括电子

性能工作站不是问题——比如研究实验室服务器室或[25,26]、光学[27]和机械系统[28]。其中，电子系统尤

数据中心——但在自主系统中，特别是对于空中无人为有前景，因为它们可以以混合信号或全模拟形式实

机来说，这种解决方案并不适用，因为电