近日，北京大学集成电路学院黄如院士-杨玉超教授团队在深度储备池计算硬件研究中取得重要进展。

实验研究结果表明，相比同等规模的单层储备池计算系统，本工作所构建的深度储备池计算硬件具有更大的记忆容量、更丰富的储备池状态数、层次化的信息处理能力，并在波形分类、电能消耗预测等任务中展示了优异的性能，证明了深度储备池计算系统在时序信息处理任务中的潜力。

北大微电子消息显示，相关成果以“Multilayer Reservoir Computing Based on Ferroelectric α-In2Se3 for Hierarchical Information Processing”为题，发表在《先进材料》（Advanced Materials）上。北京大学集成电路学院2018级博士生刘柯钦为第一作者，杨玉超教授、黄如院士为通讯作者。

储备池计算是一种低训练代价、低硬件开销的循环神经网络（RNN），在时序信息处理方面具有广泛的应用，例如波形分类、语音识别、时间序列预测等。当前国际上针对储备池计算系统的研究主要集中在探索使用不同类型的非线性器件（如忆阻器、自旋扭矩振荡器、纳米线网络、半导体光学放大器等）来构建单层储备池，但储备池状态数、记忆容量、复杂动力学特性等的局限在根本上制约了系统本身信息处理能力的提升。

针对这一关键问题，北京大学集成电路学院黄如院士-杨玉超教授课题组首次采用可级联短时程非线性单元构建了深度储备池计算硬件，通过储备池层数的增加实现了层次化的信息处理能力、更丰富的储备池状态数、更大的记忆容量以及更复杂的动力学特性。该工作在构建深度储备池计算硬件系统、实现层次化的时序信息处理方面迈出了重要的一步。（校对/小北）