南洋理工大學陳曉東Advanced Materials：一種具有觸覺知覺學習的人工感覺神經元

【引言】

觸覺感知依賴于傳感，加工和學習的全面活動，這極大地影響了我們與外部環境的相互作用。生理上，觸覺刺激由嵌入皮膚的感覺神經元上的受體檢測。信號沿著長鏈的傳入軸突發送到突觸使突觸后神經元可以進一步處理。神經元通過集成和調制同步觸覺刺激和異步觸覺刺激，以在動作/感知循環中獲得觸感的多級特征（圖1a），這成為觸覺感知的基礎。通過實踐和/或培訓，習得專業知識可以進一步提高觸覺感知能力，這使得我們能夠精確地感知并對現實世界的事件做出恰當的反應。因此，賦予機器人和假肢以這種感知學習能力可以延伸他們的認知和適應能力。為了達到這個目的，需要研發具有知覺學習能力的人工感覺神經元。

過去已經有人提出通過集成傳感和處理元件來模擬感覺神經元。例如，在通過集成阻變器件與電阻式壓力傳感器實現了觸覺記憶。雖然這種設計能夠在觸摸撤去后仍保留觸摸信息，但它不能直接區分觸覺的模式。最近有人提出用一種由基于晶體管的壓力傳感器和電解質作柵介質的突觸晶體管組成的器件來區分觸摸速率。雖然這種器件能夠區分觸覺模式，但該器件缺乏識別和認知所需的學習能力。因此，在設備/系統級別實現學習能力對于強健的、具有容錯性的觸覺刺激處理非常必要。此外，在現有觸覺仿生器件上增加學習能力最終將為機器或系統提供人工智能，以使他們能夠復制人的“認知”功能。

【成果簡介】

近日，南洋理工大學陳曉東教授課題組（通訊作者）聯合中科院寧波材料所竺立強研究員團隊在國際頂級期刊?Advanced Materials上發表 “An Artificial Sensory Neuron with Tactile Perceptual Learning”的論文，第一作者是萬昌錦博士。皮膚內的感覺神經元形成外部物理現實與內部觸覺感知之間的接口。這個接口使得我們通過知覺學習來組織、辨別和理解感官信息。知覺學習–即通過學習過往經驗來提升感知能力的過程。這個工作提出了一種人造觸感神經元，它可以通過整合和區分所觸摸圖案的時空特征來進行智能識別。該系統包括傳感，傳輸和處理部件，分別與感覺神經元中主要部件相對應。其中，電阻式壓力傳感器將壓力刺激轉換為電信號，軟的離子導體通過界面離子/電子耦合把該電信號傳輸至突觸晶體管。在此基礎上，通過實施機器學習方法，該神經元的識別錯誤率可以從44％顯著降低至0.4％。這項工作設計和使用神經形態電子皮膚，將向人工智能機器人和假肢邁進了一步。

研究人員展示一個模擬觸感神經元的神經形態觸覺處理系統 （neuromorphic tactile processing system），并命名為NeuTap。它能夠模擬感覺神經元并且能夠實施知覺學習。在他們的設計中，感受器、軸突和處理感覺信息的突觸分別由電阻式壓力傳感器，離子電纜和突觸晶體管所模擬（圖1b）。壓力傳感器將壓力刺激轉換為電信號，離子電纜通過界面離子/電子耦合將電信號傳輸至突觸晶體管。突觸晶體管然后根絕刺激模式的不同產生特定的衰減特性。此外，該設計提供了一種事件驅動的方法，即利用外部刺激來激活突觸器件。證明了NeuTap能夠通過提取時空相關的觸覺特征來識別觸覺模式，同時能夠通過在系統中實施感知學習來提高這個識別能力。

【全文解析】

圖1 NeuTap的概念設計。

a）示意圖說明在動作感知循環中由觸覺感覺神經元對觸覺模式的空間和時間特征的整合。 b）與NeuTap（底部）相比感覺神經元（頂部）。 c）圖解說明NeuTap的細節。

NeuTap原型與生物感覺神經元相似，由軟的離子電纜把傳感元件和處理元件隔開。這種分離可能有利于抑制兩個組件之間的串擾，并為系統賦予可拉伸性。詳細的原理圖如圖1c所示。電阻式壓力傳感器由兩層組成（圖1c）：構成壓敏層的頂層，其是用碳納米管（CNT）涂覆的具有金字塔形的聚（二甲基硅氧烷）（PDMS）;和底部的一個聚對苯二甲酸乙二醇酯（PET）為襯底，沉積用于檢測電阻變化的金叉指電極。圖2a顯示了傳感器響應不同施加壓力時的電阻變化，其中電阻隨壓力增加而顯著下降，并且該傳感器的靈敏度在低壓力范圍（0.1-1kPa）顯示逐漸衰減特性。離子電纜包括兩個連接到壓力傳感器上叉指電極兩端的離子導體聚乙烯醇（PVA）為導線。 PVA具有較高的斷裂應變和良好的離子電導率，適用于軟離子導線。 PDMS被用作PVA基離子導體的絕緣和封裝材料。圖2b所示的PVA層的Cole-Cole圖顯示了一個理想的半圓形，這表明理想的Debye型行為。PVA層的離子電導率約為3×10^-3 S cm^-1。而且，即使在高達≈40％的拉應變下，離子電纜仍能保持良好的導電性。在突觸晶體管側，一條PVA導線連接金電極（VDD）以提供電壓，另一條PVA導線覆蓋在銦 - 鎢 - 氧化物（IWO）溝道上并充當柵極電介質。圖2c顯示PVA為柵介質的IWO晶體管五次的傳輸曲線，表明其典型的場效應晶體管性能。 VGS的掃描速率為0.05 V s^-1，采樣頻率為1 Hz。實現<10 nA的低漏電流，說明PVA柵介質具有良好的絕緣性能。

圖2 NeuTap的電學特性。

a）圖表顯示對傳感器施加不同壓力時電阻和靈敏度的變化。插圖：壓力傳感器的數字圖像。 b）PVA層的Cole-Cole圖顯示完美的半圓形。插圖：離子電纜的數字圖像。 c）示出五次VDS = 1.5V的PVA柵控IWO晶體管的傳輸特性的圖。插圖：PET基片上晶體管的數字圖像。 d）當兩個連續的時間間隔（ΔT）為200ms的電壓脈沖（-1.5V，10ms）施加在柵極上時，突觸式晶體管的PPF仿真顯示兩個電流峰值。插圖：作為時間間隔（ΔT：從20到500毫秒）的函數的兩個電流峰值之間的比率圖。

圖3由NeuTap整合的時空相關刺激。

顯示兩個空間獨立的刺激整合的示意圖：a）兩個刺激（紅色圓圈）表示可以激發感覺神經元并增強神經元活動的反應; b）一個刺激可以激發（紅色圓圈），而另一個可以抑制（藍色圓圈）感覺神經元活動并加速從第一次刺激恢復。 c）示出具有兩個壓力傳感器的NeuTap神經元的器件結構圖。 d）顯示傳感器2對具有VDD1電壓掃描的IWO晶體管的傳輸曲線的調制效應的圖。 e）當單獨按下傳感器1和傳感器2時（情況I和情況II）以及當同時按下兩個傳感器（情況III）時，繪制顯示當前響應的電流響應，其中VDD1 = VDD2 - 1.0 V. f）VDD1 = -1.0 V和VDD2 = 0.5 V的兩個傳感器的電流積分。情況I：在開始時用手指觸摸傳感器1（紅色箭頭）觸發。情況二：在傳感器2上觸摸五次（藍色箭頭）。灰色區域表示所有情況下的觸摸動作，電流的測量值為VDS = 1.5 V.

圖4觸覺模式識別和NeuTap的感知學習。

a）顯示手指上的NeuTap的數字圖像（左）以及觸感圖案組合及其相應的二位二進制代碼標簽（右）的示意圖。比例尺是1厘米。 b）顯示NeuTap對三種觸感圖案組合的典型響應。另外兩種類型用淡色曲線作為比較。電導率用VDD = -1.0V測量。c）說明實施知覺學習仿真的機器學習方法的示意圖。 d）繪圖顯示了四組訓練數據的RI。每個圖案對都用淺色線條顯示。綠色虛線點線代表標簽邊界。模式“00”由RI <10％定義。 e）將識別錯誤率繪制為關于學習次數的函數。黑色方塊是測量數據，紅色線是擬合曲線。

圖4b中的電導數據為NeuTap對不同觸覺圖案響應的特征曲線，它們被用作示例測試數據集來測試識別能力。基于機器學習算法，根據歷次的特征曲線可以得到分類圖案的邊界。結果表明，習得的邊界是有效的，并且可以用于在移動觸摸動作之后立即識別未標記的數據，這使得機器人的“大腦”能夠優先處理更緊急和重要的任務。然而，對于新的識別任務來說，“學到的界限”并不總是沒有差錯的。響應于同一個的圖案，由于操作誤差使得每次輸出之間存在一定程度的差異，這可能會導致一定程度的誤判。這個工作中，錯誤率是通過比較每個時間點的學習邊界和新數據集來計算的。例如，第一次學習可以觀察到約44％的錯誤率，如圖4e所示。這是因為習得的邊界僅基于一個訓練數據集獲得，對于新數據集的測試會產生較大誤差。。我們在圖4e中的結果顯示了通過增加學習時間逐漸衰減的錯誤率趨勢，并且在六次學習中實現了非常低的≈0.4％的錯誤率。這是因為輸出變化的范圍隨著多次測試而變得更穩定，因此經過多次訓練后，邊界可能會更加準確。因此，NeuTap的識別能力可以通過重復訓練來提高，這與知覺學習過程相似。由于給定對象的表面可能由平面和凸起圖案的各種組合組成，因此這種方法可推廣到識別更復雜的圖案，比如盲文識別等。

【總結與展望】

研究人員研發的NeuTap神經元由電阻式壓力傳感器，離子電纜和突觸晶體管組成，具備生物感覺神經元的基本形態和相似功能。NeuTap神經元可以整合和調節時空相關的觸覺刺激，實現并行的感覺信號處理。觸覺圖案的特征因此可以被這樣的系統集成和提取以用于模式識別。更重要的是，通過反復訓練可以提高識別的準確性，證明了與感知學習過程非常相似。該系統可能與神經形態網絡集成在一起，用于復雜的識別/決策活動，為腦機界面提供指導。此外，由神經形態部件呈現的并行計算性質將可以潛在用于集成多種感官反饋（例如，視覺和本體感受）以深度地、全面地提升機器人、假體的精巧性。

【實驗部分】

電氣特性：對于壓力感應，施加壓力并通過電動垂直測試臺（Mark-10 ESM301）與測力計（Mark-10 M5-2）組合測量。用Solartron 1260A阻抗/增益 - 相位分析儀表征PVA膜的阻抗測量結果。晶體管的電學測量和觸覺圖案識別是在半導體參數表征系統（Keithley 4200 SCS）上在室溫下在屏蔽暗盒中進行的。其他實驗細節可以在支持信息中找到。

【致謝】

作者感謝國家研究基金會（NRF），總理辦公室，新加坡NRF調查機構（NRF2016NRF-NRF1001-21）和新加坡教育部（MOE2014-T2-2-140，MOE2017-T2- 2-107）。

【作者介紹】

陳曉東（通訊作者），新加坡南洋理工大學材料科學與工程學院教授。主要從事可程序化材料在能源的轉化、柔性電子器件、以及納米生物界面等方面的工作。研究成果在國際知名學術刊物發表SCI?論文近230余篇，他引超過12000次，多次被BBC，人民日報，New Scientists，Nanowerk，Materialviews等亮點報道。目前擔任Nanoscale期刊的副主編和Nanoscale Horizons的科學編輯，并擔任Advanced Materials,?Scientific Reports,以及Journal of Laboratory Automation等期刊的編委會成員。獲得Small青年科學家創新獎、新加坡國立研究基金會研究員獎、Lubrizol青年材料科學家獎等榮譽。

竺立強（共同通訊作者），中國科學院寧波材料技術與工程研究所研究員。主要從事氧化物薄膜晶體管、人造突觸器件等相關方面的研究工作。在Nature Communications, Progress in Materials Science, ACS Applied Materials and Interfaces, Nanoscale, Applied Physics Letters, IEEE Electron Device Letter等期刊上發表SCI論文80多篇，參與編寫英文專著一部(WILEY出版社出版)。獲得“中科院青年創新促進會會員”、“浙江省杰出青年科學基金”、“浙江省151人才”、“寧波市領軍拔尖人才”等榮譽。

萬昌錦博士（第一作者），于2016年加入陳曉東教授課題組，從事博士后研究。研究課題主要圍繞神經形態功能器件、柔性/可穿戴醫療器件等方面展開。主要成果在Advanced Materials, Nature Communications, Applied Physics Letters, IEEE Electron Device Letter等雜志發表論文30多篇。相關工作被Materials Views China?和?Science Foundation in China等亮點報道。曾獲得國家獎學金、中科院院長獎、中科院優秀博士論文、Springer Theses Award等榮譽。

陳曉東團隊于2015年受到神經系統在刺激傳感、信號處理機制的啟發，提出傳感+處理仿生功能器件的概念，并首次在單個集成器件上實現了觸感記憶（haptic memory）功能（Adv. Mater. 2016, 28, 1559-1566）。隨后，基于3D打印技術和刺激響應聚合物（Adv. Mater. 2017, 29, 1701627），實現了對光強響應并產生相應動作幅度的智能仿生器件，該工作在仿生智能系統和柔性機器人上有潛在應用。

竺立強團隊致力于類腦神經形態芯片開發，重點開展新型低壓氧化物薄膜晶體管及其類腦神經形態器件方面的研究。相關工作見：Nature Communications, 5(2014)3158, Advanced Materials, 27(2015)5599, ACS Applied Materials & Interfaces, 8(2016)21770/ 9(2017)37064等。最近，該團隊及其合作者設計了氧化物神經形態晶體管，實現了對霍奇金-赫胥黎(Hodgkin-Huxley)膜電位行為的模仿Advanced Biosystems 2(2018)1700198。

本文由陳曉東團隊供稿。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。

投稿以及內容合作可加編輯微信：cailiaokefu。

如果您想利用上述理論計算方法來解析鋰電池機理，歡迎您使用材料人計算模擬解決方案。材料人組建了一支來自全國知名高校老師及企業工程師的科技顧問團隊，專注于為大家解決各類計算模擬需求。如果您有需求，歡迎掃以下二維碼提交您的需求，或直接聯系微信客服（微信號：cailiaoren001）