人工智能中不断增长的计算需求需要能够进行现场机器学习的硬件解决方案，其中训练和推理都是通过边缘计算来执行的，这不仅需要极为节能的体系结构（如内存计算），还需要具有可调财产的内存硬件，以同时满足训练和推理的需求。鉴于此，来自南京大学电子科学与工程学院的Xinran Wang等人报道了一种基于铁电场效应晶体管和原子薄MoS2沟道的双工器件结构，并实现了一种用于原位学习的通用内存计算架构。文章要点：1) 该研究通过利用铁电能量景观的可调谐性，双工构建块展现出了较佳的耐久性（>1013）、保持性（>10 年），速度（4.8 ns）和能耗（22.7 f J·bit–1·μm–2），且研究使用两个晶体管阵列实现了硬件神经网络——一个双工铁电场效应晶体管单元，并在具有原位训练权重的非线性定位任务中实现了99.86%的准确率；2) 此外，研究的仿真表明，在显著提高能效的情况下，所提出的设备架构可以实现与图形处理单元相同的性能水平，该研究的设备核心可以通过三维异构集成与硅电路相结合，为通用边缘智能提供硬件解决方案。参考资料：Ning, H., Yu, Z., Zhang, Q. et al. An in-memory computing architecture based on a duplex two-dimensional material structure for in situ machine learning. Nat. Nanotechnol. (2023). DOI: 10.1038/s41565-023-01343-0https://doi.org/10.1038/s41565-023-01343-0