清华新闻网10月19日电 10月17日，清华大学微纳电子系任天令教授团队在《自然通讯》（Nature Communications）上发表了题为《面向机器学习应用的马尔科夫链算法单器件集成》(“A hardware Markov chain algorithm realized in a single device for machine learning”)的研究论文。该工作突破性地实现了马尔科夫链算法集成到单个纳米尺度器件（器件面积仅：500纳米x 500纳米）,为机器学习应用大幅降低硬件开销。

马尔科夫链器件测试结果：（a）基于二维材料SnSe自然氧化层的阻变存储器，核心功能区面积仅500纳米x 500纳米；（b）具有独特的双台阶跳变特性；（c）器件内具备的五个态归纳为马尔科夫链中的三个态；（d）状态转移概率随着循环次数增加而稳定；（e）实验中获得的马尔科夫链；（f）作为随机数发生器其理论与实验的概率偏差低于5%。

马尔科夫链，因安德烈·马尔科夫（A.A.Markov，1856－1922）得名，是指数学中具有马尔科夫性质的离散事件随机过程。该过程中在给定当前知识或信息的情况下，过去（即当前以前的历史状态）对于预测将来（即当前以后的未来状态）是无关的。马尔科夫链，可广泛应用在天气预测、语音识别、金融领域股指建模和DNA序列分析等方面。目前较常用的实现机器学习的方案都是基于软件算法上实现的，这种方法消耗了大量的硬件资源。例如，用传统方法实现三固定概率随机数产生器就需要约13700个晶体管，使得硬件开销较大，而传统单一阻变层的阻变存储器又不具备马尔可夫链特性。因此，亟需一种集成机器学习算法的新型阻变存储器，大幅度减少实现机器学习所需的硬件代价。

任天令教授团队创新实现二维阻变存储器全算法集成至单器件。如图所示，采用SnSe的自然氧化层SnOx，构成SnOx/SnSe/SnOx “三明治”结构能够形成五个不同的阻态，通过归类可分为三个状态，通过实验验证其具备马尔科夫性。借助器件的不同状态及状态转移概率矩阵，采用单个器件实现了三固定概率随机数产生器，能够产生超过10⁵个随机数，经NIST随机数标准验证拥有突出实用化潜力。该器件产生的固定概率随机数对于模拟退火，遗传算法等人工智能实现具有重要意义。利用该器件阵列，可实现比传统二进制更高效的多位多进制随机数，极大节约了硬件资源。未来基于该器件的阵列可模拟三维随机游走，对实现智能推荐系统和社交网络硬件构建等应用具有重要的潜在价值和现实意义。

近年来，任天令教授重点探索基于二维材料的人工智能器件基础研究和实用化应用，在新型石墨烯等二维材料人工智能器件方面已获得了多项创新成果，如石墨烯人工喉（荣获科技导报评选的2017年“中国十大重大技术进展”）、石墨烯仿生突触器件、仿生石墨烯压力传感器等相关成果曾多次发表于《自然通讯》（Nature Communications)、《先进材料》(Advanced Materials)、《纳米快报》(Nano Letters)、《美国化学学会纳米》(ACS Nano)、国际电子器件大会（IEDM）等。

清华大学微纳电子系助理教授田禾和博士生王雪峰是文章的共同第一作者，清华大学微纳电子系任天令教授及其团队教师田禾是论文的通讯作者，该研究成果得到了科技部、国家自然基金委和北京市自然基金委等项目的支持。

论文链接:

 https://www.nature.com/articles/s41467-018-06644-w

供稿：微纳电子学系 编辑：华山 审核：襄楠