近日，我校华南先进光电子研究院樊贞课题组的最新研究成果以“Ultralow-power reservoir computing based on bidirectionally operable ferroelectric capacitors with tunable time constants”为题发表在高水平物理学期刊《Reports on Progress in Physics》(https://iopscience.iop.org/article/10.1088/1361-6633/ae3984)。

储备池计算（Reservoir Computing, RC）是一种简单高效的循环神经网络（RNN）变体。其核心机制在于利用储备池将输入时序信号非线性映射到高维特征空间，生成线性可分的状态，随后交由读出层进行处理，完成预测、分类等任务。与传统RNN不同，RC系统仅需训练读出层权重，而无需调整储备池内部复杂的连接参数。这一独特架构大幅降低了训练成本与计算复杂度，使其在语音识别、动作识别及气象预测等领域展现出广阔应用前景。

然而，现有物理RC系统大多依赖阻性器件，其工作过程中通常产生较大传导电流，导致功耗偏高。此外，阻性器件通常仅支持单向工作，且其时间常数在器件制备后往往难以调整，这些因素严重限制了储备池的状态丰富度，使其难以适应多时间尺度的复杂任务。如何实现兼具超低功耗和丰富动力学特性的RC系统，成为该领域的重要挑战。

针对上述难题，樊贞课题组提出了一种基于铁电电容-线性电容（FC-LC）串联结构的新型储备池器件。该器件巧妙利用铁电极化翻转与回转机制，实现了储备池所需的“非线性”与“衰退记忆”特性。该器件工作于容性模式，相比于阻性器件具有双重优势：一方面支持直接电压读出，无需电流-电压转换；另一方面显著降低功耗，单次输入功耗仅1.3 μW。

此外，器件展现出双极性脉冲响应能力，显著拓展了储备池状态空间维度，不仅提升了RC系统在波形分类任务中的表现（RNMSE: 0.04），还使其能够胜任多模态识别任务（准确率：97.6%）。更突出的是，器件还表现出大范围可调的时间常数（0.01 ms至3 ms），利用该特性构建的混合时间常数RC系统在Mackey-Glass时间序列预测中表现卓越（RNMSE：0.045）。

该研究有效解决了硬件储备池的高功耗与动力学固化等难题，为未来在资源受限的边缘端设备上实现高效的动态时序信息处理提供了新路径。

我校为第一完成单位，我校硕士生莫林源为论文第一作者，樊贞研究员为论文通讯作者。此外，我校陆旭兵教授、周国富教授和高兴森教授，以及南京大学刘俊明教授为该研究提供重要指导。该研究受到国家自然科学基金、广东省自然科学基金、广州市重点实验室“智能光电材料与类脑器件重点实验室”等资助。

相关论文信息：https://doi.org/10.1088/1361-6633/ae3984