近日，南方科技大学深港微电子学院于洪宇教授、王中锐副教授课题组合作，在氮化镓感算一体器件及系统领域取得新进展，相关学术成果以 “In-sensor Reservoir Computing for Gas Pattern Recognition using Pt-AlGaN/GaN HEMTs” 为题，在学术期刊 Device 上发表研究类论文。

随着物联网（IoT）和人工智能（AI）的快速兴起，智能边缘传感生态系统的发展日益完善。其中，智能气体传感器受到了极大关注，并在环境监测、工业安全和医疗信息学等多种应用领域展现出巨大的潜力。智能气体传感器被期望具备能源效率高、小型化和计算友好等特性，以满足智能边缘传感生态系统的需求。然而，传统的智能气体传感系统由于传感器准静态特性、处理器和内存的物理分离以及繁琐的训练算法，面临着硬件和软件的双重挑战。

在硬件方面，传统的智能气体传感系统是准静态的，缺乏提取复杂气体模式的空间或时间特征的能力。因此，需要将气体传感器连接到后端数字计算机进行信号处理。由于传感、内存和处理组件之间的物理分离，这种方法不可避免地会因频繁模数转换和数据传输而导致能量和时间开销增加。

此外，传统的气体传感机制依赖于基于电荷载流子交换、气体传感材料表面传输的物理吸附和化学反应，这需要较大的器件面积开销，在边缘系统的小型化应用方面仍存在挑战。在软件方面，利用梯度下降、误差反向传播的传统实时学习方法，在计算资源有限的智能边缘传感系统上是难以承受的。

图1 基于GaN器件的智能气体传感系统

针对这些挑战问题，于洪宇、王中锐课题组通过器件-算法协同设计，创新性地利用 GaN 器件的衰减记忆特性和栅极电压可调性结合储池计算，合作开发了基于 GaN 器件的智能气体传感系统（图1）。在硬件方面，采用基于 GaN 的高电子迁移率晶体管（HEMTs）作为气体传感器，基于 GaN 气体传感器对空间/时间气体模式表现出非线性动态响应并提取其特征，并通过调节传感器的栅极偏压来重新配置这种非线性，从而适应不同的气体动态。此外，GaN HEMTs 不仅可以作为气体传感器，还可以作为信号处理器和存储单元，这种传感器内（in-sensor）计算减少了频繁的模数转换需求，并避免了传感器、处理器和内存之间的物理分离，有利于提高系统效率、降低能耗。通过版图布局优化，可以将器件尺寸缩微至几个微米，减少边缘系统的占用空间。在算法方面，研究人员采用储池计算（reservoir computing-RC）进行复杂气体模式的实时边缘学习。RC系统包括一个由 GaN HEMTs 物理实现的储备层，而只需要优化一个轻量级的单层读出映射，显著降低了训练复杂。利用具有不同动态响应的多个 GaN HEMTs 来编码相同的时序气体模式，提高了RC系统的识别能力，能适应不同气体条件下的多种任务。

在此研究中，团队实验性地展示了这种用于智能气体传感的传感器内储备计算（RC）系统。团队所制备的 GaN HEMTs 器件在广泛的温度范围内表现出对气体的可靠电气响应和栅极电压可调的动态特性（图2）。团队利用这些特性开发了一种基于 GaN HEMTs 的储池计算（RC）系统，用于学习复杂的气体模式，并在两个示例中展示了其应用能力：气体 MNIST 模式分类识别和大鼠缺血再灌注损伤诊断（图3）。归功于 GaN 器件的栅极可调非线性动态响应，RC系统分别实现92.33%和89.28%的准确率，优于不具备栅极可调非线性动态响应的系统（91.28%和71.42%）。此外，与两层全连接神经网络相比，该系统显著降低了99.84%和99.58%的训练成本。为将提出的方法扩展到更实际的应用中，团队还进行了复杂气体混合物识别，总结出需要时间气体模式分类的潜在实际应用。

图2 GaN HEMTs器件的气体响应特性表征

基于 GaN HEMTs 的传感器内RC系统不仅在低训练复杂度和高能效的情况下实现了高精度分类，还突出了栅极电压可调动态响应对系统学习性能的益处。与其他智能气体传感系统相比，所提出方法的主要优点包括：1.首次实现了用于时序气体信号分类的 in-sensor RC 系统；2.利用栅极电压调制动态显著提高了性能；3.器件响应时间快（<4s）且功耗低（~350nW）。这些发现为开发用于未来物联网应用的智能、高效和实时学习的气体传感器提供了有效的解决方案。

图3 GaN HEMTs储池计算（RC）系统应用：MNIST模式分类和缺血再灌注损伤诊断

香港大学访问博士生蒋洋、南科大-港大联合培养博士生史书慧为论文共同第一作者，南科大于洪宇、研究教授汪青、王中锐为论文共同通讯作者。该研究工作得到了国家自然科学基金，广东省、深圳市、香港基金的支持。

论文链接：https://www.cell.com/device/fulltext/S2666-9986(24)00472-1