基于材料算法协同设计策略的可穿戴式传感器储层计算多任务学习-计算材料学主要包括哪两个方面的内容

比较传统半导体和p-NDI的光电流响应，以及传感器内RC系统的详细半导体设计原理。C8-NDI、五丁烯和P3HT的光电流响应，无法用于传感器内储层计算。p-NDI的光电流响应呈现衰落的存储器，适用于传感器内储层计算

人类视网膜不仅可以感知光信号，还可以通过捕获其丰富的动态来同时处理它们，从而加速下游视觉皮层中的任务相关学习。视网膜和视觉皮层的这种协同作用激发了传感器内的多任务学习。

然而，传统的硅视觉芯片存在巨大的时间/能量开销，这是由于大量和频繁的数据穿梭以及分离的传感、处理和存储单元之间的顺序模数转换造成的。此外，摩尔定律的放缓进一步加剧了限制。因此，设计一种人工视网膜和储层计算（RC）相结合的材料-算法，对于超低能耗、超快计算速度的传感计算系统具有重要意义。

在《自然通讯》上发表的一项研究中，由中国科学院福建物质结构研究所黄卫国教授领导的研究小组通过材料-算法协同设计策略实现了用于多任务学习的可穿戴传感器内储层计算。

研究人员设计并合成了一种材料 – 算法协同设计，一种具有高效激子解离和穿越空间电荷传输特性的光响应半导体聚合物（p-NDI），以构建用于多任务模式分类的传感器内RC。

他们发现，基于p-NDI的柔性光电晶体管表现出良好的分离光响应，非线性衰落记忆和回波状态特性，从而实现基于可穿戴晶体管的动态传感器内RC系统。

这种基于全有机材料的RC系统可识别手写字母和数字，并对各种服装进行分类，准确率分别为98.04%、88.18%和91.76%。除2D图像外，RC还有效地对三种时空动态手势（左手挥手，右手挥手和拍手手势）进行了分类，准确率为98.62%。

这项研究不仅克服了传统传感计算系统在大时间和能量开销方面的瓶颈，还为可穿戴、经济实惠、高效的光子神经形态系统提供了一种新的材料-算法协同设计策略。