每天，大量與天氣、交通和社群媒體相關的數據都會經過即時處理。在傳統雲端運算中，這種處理發生在雲端，引發了人們對洩漏、通訊延遲、速度慢和功耗高等問題的擔憂。

在此背景下，「邊緣運算」提供了一種有前景的替代解決方案。它位於用戶附近，旨在分散計算，從而減少負載並加快速度資料處理。具體來說，涉及邊緣人工智慧處理的邊緣人工智慧預計將在自動駕駛汽車和工廠機器異常預測等領域找到應用。

然而，為了實現有效的邊緣運算，需要高效率且運算成本效益高的技術。一個有前途的選擇是儲層計算，這是一種設計用於處理隨時間記錄的訊號的計算方法。它可以將這些訊號轉換成複雜的圖案使用對其進行非線性響應的水庫。

特別是，利用物理系統動力學的物理儲層在計算上既經濟又有效率。然而，它們即時處理訊號的能力受到物理系統自然弛豫時間的限制。這限制了即時處理，並且需要進行調整以獲得最佳學習表現。

最近，東京理科大學（TUS）先進工學部和應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先生開發了一種光學元件具有支援物理油藏計算並允許實時的功能訊號處理在單一設備內跨越廣泛的時間尺度。他們的發現是發表在先進科學2023 年 11 月 20 日。

談到這項研究的動機，Kinoshita 教授解釋道：「這項研究中開發的設備將使單一設備能夠即時處理我們生活環境中產生的具有不同時間尺度的時間序列訊號。特別是，我們希望實現在邊緣領域使用的人工智慧設備。

在他們的研究中，兩人創造了一種使用 Sn 摻雜 In 的特殊裝置₂氧₃和 Nb 摻雜 SrTiO₃（表示為 ITO/Nb:STO），它響應電訊號和光訊號。他們測試了該設備的電氣特性，以確認其具有憶阻器（一種可以改變電阻的儲存設備）的功能。該團隊還透過改變電壓和觀察電流的變化來探索紫外線對 ITO/Nb:STO 的影響。結果表明，該裝置可以根據電壓改變光生電流的弛豫時間，使其成為物理儲層的潛在候選者。

此外，該團隊還透過使用 ITO/Nb:STO 對 MNIST（修改後的國家標準與技術研究所）資料集中的手寫數位影像進行分類，測試了 ITO/Nb:STO 作為實體儲存庫的有效性。令他們高興的是，該設備的分類準確率高達 90.2%。此外，為了了解實體儲庫的作用，團隊在沒有實體儲庫的情況下進行了實驗，這導致分類準確率相對較低，為 85.1%。這些發現表明，ITO/Nb:STO 結裝置提高了分類精度，同時保持較低的計算成本，證明了其作為物理儲層的價值。

「過去，我們研究小組主要致力於研發適用於實體的材料水庫計算。因此，我們製造這些裝置的目的是實現一個物理儲層，其中光生電流的弛豫時間可以透過電壓任意控制。

總之，本研究提出了一種新穎的憶阻裝置，能夠透過電壓變化調整其響應時間尺度，表現出增強的學習能力，這使其成為邊緣運算人工智慧設備在邊緣應用的前景。反過來，這可以為能夠有效處理現實環境中不同持續時間的訊號的單一設備鋪平道路。