研究背景
自计算机在上世纪70年代接上网络以来，计算机的研发人员一直在努力获取计算机新的知识，发现新的事实和理论，开发计算机新的功能，造福于人类。这就是开发人工智能（AI）的起源，目的是让机器实现类似人类的智能。安德烈·盖姆（Andre Geim）等人于2004年发现了石墨烯，引起了人们对二维材料的极大兴趣，进而促进其他二维材料（如金属硫族化物、过渡金属氧化物）不同程度的发展。石墨烯是二维材料中稳定性最高的，也有极高的导电性，超轻的质量。它具有2D结构，其中sp2键合碳原子排列在蜂窝或六角形晶格中。而石墨烯也不负众望，经过十几年的研究开发，石墨烯已成为21世纪的“新材料之王”。
成果简介
近日，清华大学朱宏伟教授和他的团队在Advanced Intelligent Systems上发表了题为“Recent Advances of Graphene and Related Materials in Artificial Intelligence”的论文。该团队重点综述了石墨烯等材料在机器学习和神经形态器件等方面的最新研究进展，主要阐述了基于石墨烯的人工突触的两种构建方法和基本原理，介绍了石墨烯基晶体管和忆阻器的最新进展，最后分析了石墨烯材料在人工智能应用中存在的问题和面临的挑战。
研究亮点
（1）石墨烯材料的基本概念和原理，AI，ML（机器学习）和AS（人工突触）;
（2）ML在石墨烯材料性能预测、结构识别、逆向设计、任务识别中的应用;
（3）石墨烯基晶体管和忆阻器在AS中的应用;
（4）石墨烯结合AI的总结和展望。
图文导读
人工神经网络（ANN）是一种模拟生物大脑的计算网络，由三个基本层（一个输入层，一个或两个隐藏层和一个输出层）组成。随着数据规模、多样性和不确定性的快速增长，ANN被进一步开发以引入一些模型，例如多层感知器（MLP）或深度神经网络（DNN），卷积神经网络（CNN），递归神经网络（RNN）和深度置信网络（DBN），从而生成ML的新分支（深度学习，DL）。深度学习模型使用大量的隐藏层，每层由数百个神经元组成。
图1. 深度学习模型
大量的神经元和突触负责人脑中的信息处理，神经元作为电和化学信号接收，处理和传输信息，而突触同时存储和处理信息。由大量神经元层组成的 DNN 是当今实际应用的最佳选择（图2a）。随着Ca2+的细胞内中心增加，STP被触发以促进神经递质的释放。一旦浓度达到阈值，就会触发LTP以增强原代α-氨基-3-羟基-5-甲基-4-异噁唑丙酸（AMPA）受体的通透性或在突触后膜中招募新的AMPA受体，并产生新的蛋白质以形成新的突触（图3b）。长期和短期可塑性由相应的PSC反映（图3c）。
图2、图3. 人工突触
图4. 电子特性
电子特性对于理解纳米级的复杂结构–功能关系至关重要，特别是对于2D材料。通过DFT计算具有任意浓度和构型的掺杂石墨烯的带隙，作为训练和测试数据集。2D矩阵被定义为材料描述符，以定量捕获不同配置状态的特征。结构和带隙的QSPR由训练有素的CNN构建，其预测精度高于90%。
图5. 机械性能
石墨烯及其复合材料的机械响应对其应用至关重要。石墨烯及其复合材料技术应用中的另一个基本挑战是断裂机理，其中裂纹增长行为对纳米级的材料设计很有价值。A. Tabarraei等人提出了一个包含CNN和双向递归神经网络（Bi-RNN）的ML模型，以预测多晶石墨烯片中的断裂演变。
图6. 热性能
石墨烯的导热系数在室温下可达5000 W m−1 K−1，电子迁移率高达2.5×105 cm2 V−1⋅s，使石墨烯及其复合材料在电子器件中的热界面材料前景广阔。Xu等人开发了物理告知像素值（PIPV）矩阵（指纹）来捕获堆叠石墨烯片（I）的几何特征。经过训练的DNN准确地预测了堆叠石墨烯片（V，IV）的导热性。构建了一个全面的数据库，用于存储堆叠石墨烯片的几何特征及其相应的导热性（VI），提供加速搜索工具来指导堆叠石墨烯片的设计。
图7. 原子结构
由于缺陷位置与热振动特征相关联，G. X. Gu等人通过MD仿真计算的数以万计的热振动地形图来训练kRR模型，发现了缺陷位置与热振动特征之间的隐藏相关性。基于不同的基本单位（原子指数、域离散化）开发了两种类似的预测策略。基于原子的方法用于检测单个原子空位，而基于域的方法可以检测未知数量的多个空位，最高可达原子精度。
图8. 化学品识别
在关于客观评估护肤品热属性（凉爽度和湿润度）的案例研究中，基于石墨烯复合材料的传感器可以监测由所应用的护肤品（i）引起的时间电阻变化。通过回归分析处理电阻中时间变化的数据，以生成变量（输入）和相应的分数（输出），用作ML（ii，iii）的训练数据集。然后使用经过训练的极端梯度提升（XGBoost）模型来评估有关护肤品（iv）的凉爽度和湿度的分数。
从电子鼻的概念中学习，L. Lin等人报告了一种使用单个石墨烯FET（GFET）和ML模型实现气体识别的新型气体传感方案。记录GFET的气体检测电导率曲线并将其解耦为四种独特的物理性质（图9b），即作为4D输出向量投影到特征空间上。检测到的气体和相应的4D输出向量使用MLP分类器进行关联，然后可用于高精度地对水，甲醇和乙醇蒸气进行分类。
图9. 运动识别
基于石墨烯的传感器与ML系统相结合，已被广泛用作运动识别应用的可穿戴HMI系统。如图9所示，S.O. Kim等人将大面积压力传感器阵列与ML算法相结合，构建了基于智能座垫的姿态监测系统。石墨烯-MXene混合器件被用作压阻式压力传感器的传感材料，具有低滞后和宽感应范围。大面积压力传感器阵列集成在座垫中，用于医疗保健监控。针对不同的坐姿，在每个像素上实时监控阻力的变化。RF和ANN模型使用收集的数据进行训练，以高精度区分6种坐姿。使用测量的肌电图数据训练的ML算法（CNN，kNN）成功检测7类手指运动，准确率为≈99%。
总结与展望
已经提出了两种策略，包括ML（软件）和NC（AS和人工神经元）（硬件），用以模仿生物大脑的功能，能有效地执行非结构化数据的实时处理。由于受制备和试验条件影响的石墨烯的实际电子、机械和热性能远低于其理论性能，因此将ML与实验结果相结合进行实际性能预测在未来研究中具有重要意义。然而，预测范围和准确性是有限的，只考虑了少数精度有限的场景。此外，通过石墨烯光电探测器阵列实现的3D成像也很有吸引力，应该进行更多的研究。
突触石墨烯晶体管可以执行并发学习，在不中断信号传输过程的情况下更新突触重量。然而，这些晶体管仍存在许多缺点：1）开/关比低;2）保留时间短，表示内存有限;3）器件尺寸大，不适用于需要十多个晶体管来模拟一个突触的大面积集成;4）能耗高，远高于生物突触。
总之，采用石墨烯的AI在“软件”（深度学习模型）和“硬件”（神经形态器件，如人工突触和人工神经元）方面都取得了相当大的进步，但要在未来实现真正的AI，还有很多工作要做。
文献链接
Recent Advances of Graphene and Related Materials in Artificial Intelligence
Meirong Huang, Zechen Li, Hongwei Zhu*
Advanced Intelligent Systems
DOI: 10.1002/aisy.202200077
原文链接：https://onlinelibrary.wiley.com/doi/10.1002/aisy.202200077
