每天，大量涉及天气、交通和社交媒体的数据需要进行实时处理。在传统云计算中，这种处理过程在云端进行，引起了人们对数据泄漏、通信延迟、速度慢和功耗更高等问题的担忧。
（图片来源：东京理科大学）
在这种背景下，“边缘计算（edge computing）”提供了富有前景的替代解决方案。它位于用户附近，旨在分配计算以减少负载并加快数据处理速度。具体来说，边缘人工智能（edge AI）是在边缘计算环境中实现人工智能处理的一种方法，预计将在自动驾驶汽车和工厂机器异常预测等领域得到应用。
然而，为了实现有效的边缘计算，需要高效且计算成本低的技术，其中储层计算（reservoir computing）是富有前景的选项之一。这种计算方法可用于处理随时间记录的信号，利用储层（可进行非线性响应）将这些信号转化为复杂的模式。尤其是使用物理系统动力学的物理储层（physical reservoir），具有计算成本效益和效率。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，使实时处理过程受到影响，需要进行调整以获得最佳学习性能。
据外媒报道，最近，东京理科大学（TUS）高级工程学院和应用物理系Kentaro Kinoshita教授和TUS研究生科学学院同系别Yutaro Yamazaki开发出光学设备，该设备具有支持物理储层计算的功能，并允许在单个设备内跨越广泛的时间尺度进行实时信号处理。
Kinoshita教授表示：“这项研究中开发的设备将使单个设备能够实时处理生活环境中产生的具有不同时间尺度的时间序列信号。研究人员尤其希望能够实现在边缘领域使用的AI设备。
在研究过程中，两人使用掺杂Sn的In2O3和掺杂Nb的SrTiO3（表示为ITO/Nb:STO）来创建可以响应电信号和光信号的特殊设备。他们测试了该设备的电气特性，以确认其可用作忆阻器（可以改变其电阻的存储设备）。通过改变电压和观察电流的变化，该团队还探讨了紫外线对ITO/Nb:STO的影响。结果表明，该设备可以根据电压来改变光激电流的弛豫时间，有望成为物理储层的潜在候选项。
此外，该团队利用ITO/Nb:STO对MNIST数据库（修正的美国国家标准与技术研究院数据库）中的手写数字图像进行分类，以测试其作为物理储层的有效性。令人高兴的是，该设备的分类准确率高达90.2%。为了解物理储层的作用，该团队在不使用这种设备的情况下进行了实验，结果发现分类准确率相对较低，仅为85.1%。这些结果表明，该ITO/Nb:STO连接装置提高了分类精度，同时可以保持较低的计算成本，从而证明其作为物理储层的价值。
Kinoshita教授表示：“以前，研究团队专注于研发适用于物理储层计算的材料。我们制造这些器件的目的是实现物理储层，其中光激电流的弛豫时间可以通过电压任意控制。”
总而言之，这项研究提出了新颖的忆阻器器件，能够通过电压变化来调整其响应时间尺度，表现出增强的学习能力，这使其有望作为边缘计算AI设备投入边缘应用。反过来，这有助于实现能够有效处理在现实环境中发现的具有不同持续时间的信号的单个设备。
