边缘计算设备（位于数据源附近而非大型数据中心的设备）可以在本地执行计算。这可以减少延迟，尤其是在实时应用中，因为它可以最大限度地减少从云端传输数据的需要。
到目前为止，在边缘设备上实施深度学习算法一直具有挑战性，部分原因是它们的功率限制和计算资源有限。模糊逻辑系统（依赖于近似推理而非二进制逻辑过程的计算框架）可以帮助克服这些挑战。
据外媒报道，南加州大学（University of Southern California）、西北大学（Northwestern University）、香港大学、中国科学院和其他机构的研究人员最近开发出新型多栅极范德华界面结晶体管，可用于创建可重构模糊逻辑硬件。相关研究论文发表于期刊《Nature Electronics》。
图片来源：期刊《Nature Electronics》
“人工神经网络是推动当前人工智能革命的强大工具，”该论文的资深作者、香港大学的Han Wang表示。“然而，它们的实现需要高度复杂的硬件和相当大的功耗，这限制了它们在本地实时处理信息的边缘设备中的适用性。相比之下，模糊逻辑系统按照简单的规则运行，需要更少的硬件资源，并且可以有效地处理许多任务。”
范德华材料（Van der Waals materials）是一种由弱范德华力结合在一起的层状材料，已被证明有望用于制造更节能的隶属函数发生器。这些是模糊逻辑硬件中最耗电的组件，负责创建所谓的隶属函数（即定义输入属于不同模糊集的程度的函数）。
基于之前的研究成果，Wang及其同事着手开发基于范德华材料的新型晶体管，可用于开发高效的隶属函数发生器。新晶体管基于二硫化钼（MoS2）开发，其中MoS2是一种广泛用于电子产品开发的过渡金属二硫属化物。
图片来源：期刊《Nature Electronics》
“范德华界面结晶体管（vdW-IJT）建立在MoS2同质结上，不同区域的载流子浓度不同，表现出由多个石墨烯栅极端子控制的电流放大或分裂行为，”该论文的第一作者Hefei Liu解释说。“它的主要优势是能够在单个器件内固有地生成高斯（Gaussian）或π形成员函数，而传统的CMOS技术需要数十个晶体管才能实现这一点。因此，vdW-IJT可以实现更紧凑、更节能的成员函数发生器。”
作为研究的一部分，Wang及其同事将晶体管与外围电路集成在一起，创建了可控制非线性系统的可重构模糊逻辑硬件。然后，该硬件用于运行一个简单的卷积神经网络（CNN），该神经网络经过训练可以完成图像分割任务。
“我们发现，新兴范德华材料在智能系统中具有巨大的潜力，可以实现新颖的设备概念和计算架构，例如模糊神经网络，从而实现低功耗的复杂功能，”参与这项工作的主要研究员Jiangbin Wu表示。“这一进步可以将信息处理从数据中心转移到本地设备，为机器人运动控制和自动驾驶汽车等应用提供实时响应并延长电池寿命。”
研究人员发现，他们通过将晶体管与CNN相结合而开发的模糊逻辑系统在图像分割任务上取得了显著的准确性。未来，他们提出的设计可能会启发类似电子元件的开发，旨在增强边缘设备运行深度学习算法的能力。
“我们未来的研究将专注于大规模实施基于vdW-IJT的模糊逻辑系统，解决可扩展制造、变化控制以及与神经网络硬件的集成问题，”这项研究的另一位首席研究员、西北大学的Mark Hersam补充道。“这些努力旨在为实际应用提供功能更强大、更节能的智能边缘设备。”
