每天，大量与天气、交通和社交媒体相关的数据都会经过实时处理。在传统云计算中，这种处理发生在云端，引发了人们对泄漏、通信延迟、速度慢和功耗高等问题的担忧。

在此背景下，“边缘计算”提供了一种有前景的替代解决方案。它位于用户附近，旨在分散计算，从而减少负载并加快速度数据处理。具体来说，涉及边缘人工智能处理的边缘人工智能预计将在自动驾驶汽车和工厂机器异常预测等领域找到应用。

然而，为了实现有效的边缘计算，需要高效且计算成本效益高的技术。一个有前途的选择是储层计算，这是一种设计用于处理随时间记录的信号的计算方法。它可以将这些信号转换成复杂的图案使用对其进行非线性响应的水库。

特别是，利用物理系统动力学的物理储层在计算上既经济又高效。然而，它们实时处理信号的能力受到物理系统自然弛豫时间的限制。这限制了实时处理，并且需要进行调整以获得最佳学习性能。

最近，东京理科大学（TUS）先进工学部和应用物理系的木下健太郎教授和理科研究生院及同系的Yutaro Yamazaki先生开发了一种光学器件具有支持物理油藏计算并允许实时的功能信号处理在单个设备内跨越广泛的时间尺度。他们的发现是发表在先进科学2023 年 11 月 20 日。

谈到这项研究的动机，Kinoshita 教授解释道：“这项研究中开发的设备将使单个设备能够实时处理我们生活环境中生成的具有不同时间尺度的时间序列信号。特别是，我们希望实现在边缘领域使用的人工智能设备。”

在他们的研究中，两人创造了一种使用 Sn 掺杂 In 的特殊器件₂氧₃和 Nb 掺杂 SrTiO₃（表示为 ITO/Nb:STO），它响应电信号和光信号。他们测试了该设备的电气特性，以确认其具有忆阻器（一种可以改变电阻的存储设备）的功能。该团队还通过改变电压和观察电流的变化来探索紫外线对 ITO/Nb:STO 的影响。结果表明，该装置可以根据电压改变光生电流的弛豫时间，使其成为物理储层的潜在候选者。

此外，该团队还通过使用 ITO/Nb:STO 对 MNIST（修改后的国家标准与技术研究所）数据集中的手写数字图像进行分类，测试了 ITO/Nb:STO 作为物理存储库的有效性。令他们高兴的是，该设备的分类准确率高达 90.2%。此外，为了了解物理储库的作用，该团队在没有物理储库的情况下进行了实验，这导致分类准确率相对较低，为 85.1%。这些发现表明，ITO/Nb:STO 结装置提高了分类精度，同时保持较低的计算成本，证明了其作为物理储层的价值。

“过去，我们课题组主要致力于研发适用于物理的材料水库计算。因此，我们制造这些器件的目的是实现一个物理储层，其中光生电流的弛豫时间可以通过电压任意控制。”Kinoshita 教授说。

总之，本研究提出了一种新颖的忆阻器器件，能够通过电压变化调整其响应时间尺度，表现出增强的学习能力，这使其成为边缘计算人工智能设备在边缘应用的前景。反过来，这可以为能够有效处理现实环境中不同持续时间的信号的单个设备铺平道路。