MEMS神经网络：以零电路和低功耗同时执行传感和计算任务

据麦姆斯咨询报道，近日，美国得克萨斯大学达拉斯分校 （University of Texas at Dallas）和内布拉斯加大学林肯分校（University of Nebraska—Lincoln）的研究人员组成的科研团队在Communications Engineering期刊上发表了题为“Energy efficient integrated MEMS neural network for simultaneous sensing and computing”的论文，提出了一种集成传感和计算功能的MEMS神经网络以同时执行加速度传感和分类任务，这种一体化结构以零电路和低功耗运行。该研究提出的方法将使可穿戴设备等新兴技术能够利用单次电池充电的电能进行复杂的计算。

人类皮肤、鹰的翅膀或章鱼触手等生物系统固有地集成了传感、致动和控制能力，以产生独特的多功能性。受这些生物系统的启发，人们对开发能够将传感、致动和计算集成到一个结构中的智能材料（超构材料）越来越感兴趣。这些智能材料的进步将影响各种各样的应用，使人们有望开发出改变其空气动力学外形的机翼、具有逼真触觉的机器人皮肤、甚至可以自主导航穿过患者身体进行微创手术的机器人触手。机械计算机被视为实现这一进步的解决方案。一个例子是使用微机电系统（MEMS）进行数字计算。具体来说，诸如AND、NAND、OR或XOR之类的逻辑门已经可使用单个MEMS器件来实现。然而，基于MEMS的逻辑门级联兼容性较差，难以实现类集成电路，这是一项重大的挑战。

生物系统将多种功能无缝地结合在轻质和节能结构中。合成结构的这种能力在航空航天、机器人和可穿戴设备等众多工程应用中是令人向往的。本研究报道了一种集成的硅基结构，该结构被配置为在同一物理层内感知、执行不同的分类算法并产生动作信号。算法被编码在多个耦合MEMS的传感元件的机械响应中，同时捕获加速度测量值以产生致动信号。这种一体化结构以零电路和低功耗运行。作为演示，研究人员设计并制造了一个由三个MEMS神经元组成的网络，成功地执行了简单的信号分类和行为识别任务（站姿和坐姿），每次运行的能耗分别仅有9.92 × 10⁻¹⁷ kWh和17.79 × 10⁻¹⁹  kWh。提出的方法将使可穿戴设备等新兴技术能够利用单次电池充电的电能进行复杂的计算。

研究人员构建了一个由三个神经元组成的MEMS神经网络，以同时执行加速度传感和分类任务，如图1所示。每个MEMS神经元由一个由蜿蜒曲折的系链支撑的悬浮惯性质量块构成。每个质量块具有向外延伸的电极阵列，与相邻电极形成平行板静电致动器。根据其用途，电极阵列被称为“软化电极”或“耦合电极”。电极阵列的力-位移特性使惯性质量块的运动高度非线性，复制了典型循环神经网络（RNN）中神经元的非线性行为。在这种模拟中，如图1b所示，软化电极类似于典型神经网络中的偏置项，诱发负静电刚度，从而使结构软化。此外，耦合电极类似于神经网络权重，将元件静电耦合在一起。耦合电极还提供了惯性质量块之间复杂的多向交互作用机制。

图1 基于MEMS的传感和计算神经网络

检测并理解站姿和坐姿的行为识别（ARSS）是很重要的，因为长时间坐着与肌肉骨骼健康问题有关。因此，用户的坐姿行为可以通过使用连续的姿势监测来改善。运行复杂惯性测量算法的可穿戴设备被提出以用于这种监测。然而，在现实生活中，可穿戴设备通常受到严格的功率预算要求的影响，无法持续运行此类技术。使用MEMS神经网络硬件有望克服这项挑战。

图2a显示了MEMS神经网络在执行坐姿和站姿识别任务时测得的加速度数据。图2b描述了施加偏置电压且没有加速度的情况下处于静止状态的系统。图2c-2f说明了MEMS神经网络硬件作为理想ARSS的加速度分类器的运行原理。在这种实现方式中，M1撞击其底部限位器以指示NP信号（图2c、2d），或者M3撞击其上部限位器来指示PN信号（图2e、2f）。图2g显示了器件吸合（pull-in）之后的SEM图像，表明由于存在限位器，电极不会产生接触。

图2 执行ARSS的3-MEMS神经元网络的示意图

微加工MEMS神经单元的实验测试如图3所示。图3a显示了所应用的电气连接的示意图。图3b显示了该器件在光学显微镜下的静止状态。图3c、d分别显示了施加完整的NP和PN加速信号时系统的最终响应。为了评估神经计算单元拒绝错误信号的能力，研究人员使用了两个加速度信号：一个具有正斜率然后负斜率的正加速度信号；以及一个具有负斜率然后正斜率的负加速度信号，如图3e、3f所示。这些加速度信号是通过将器件从水平位置旋转90度或- 90度产生的。从图3e、3f的右侧可以看出，在这些错误信号的作用下，当M2向上或向下吸合时，其他器件都没有发生吸合。这表明MEMS神经计算单元正确地拒绝了这些信号。

图3 MEMS神经网络硬件在行为识别模式下的原理示意图和实验结果

同样的MEMS神经网络硬件通过改变偏置电压可进行不同的配置，以执行不同的分类问题。这种配置可区分渐变（三角形）和突变（阶跃/平方）的输入信号。图4说明了所述MEMS神经网络作为电信号分类器的工作原理。与之前的加速度分类相比，待分类的信号作为输入电压进入M1和M3的梳状驱动致动器，M2的状态确定信号类别；M2的向下吸合表示检测到突变信号，M2的向上吸合表示检测出渐变信号。

图4 执行信号分类的MEMS神经网络硬件的工作原理示意图

图5显示了使用MEMS神经网络硬件对该工作原理（图4）的验证。具体而言，图5a显示了所应用的电气连接的示意图。图5b显示了静止的器件。图5c显示了施加突变信号时系统的最终响应，最后，图5d、5e显示了MEMS神经网络对渐变信号的响应。

图5 MEMS神经网络硬件执行信号分类的示意图和实验结果

综上所述，本文提出了一种集成传感和计算功能的MEMS神经网络硬件来执行分类任务。所提出的MEMS神经网络可以被重新配置，通过改变其偏置电压来执行完全不同的分类任务。分类算法被编码在多耦合静电MEMS器件的传感元件的机械响应中，这些器件同时捕获令人感兴趣的测量值，例如加速度。零电路需求的MEMS计算单元将在传感物理层（衬底）上执行计算，并通过以下方式对偏置电压仅有极少的能量需求（ARSS约为9.92 × 10⁻¹⁷ kWh，信号分类问题为1.779 × 10⁻¹⁹ kWh）:（1）消除了用于调节和读取传感器输出的耗能电路的需要；（2）由于电容式静电驱动，MEMS神经网络在每个分类循环中消耗的总能量非常微不足道。

审核编辑：刘清