一种基于Bi2O2Se的多模态库网络时序信息处理方法

一种基于bi2o2se的多模态库网络时序信息处理方法
技术领域
1.本发明涉及一种基于新型半导体bi2o2se的多模态库网络时序处理(multimodal reservoir temporal and sequential processing based on new semiconductor bi2o2se)方法，属于新型材料和多模态计算领域。


背景技术：

2.具有时序特征的信息的识别和处理对于机器学习十分重要，例如语音识别、基因测序等，而对于具有时序特征的光电信息和温度信息的识别和处理也被广泛的应用到机器人视觉和触觉感知系统当中。而传统的使用递归神经网络进行信息识别和处理的计算方式需要大量的训练成本。因此，面对大量的具有时序特征的传感信息，需要更低训练成本，更高效的多模态信息处理方法。


技术实现要素：

3.为了实现多模态时序信息的信息处理，降低训练成本，本发明提出一种基于新型bi2o2se半导体的多模态库网络时序信息处理方法。
4.本发明提出的的多模态库网络时序信息处理方法建立在一种基于新型层状二维材料bi2o2se的多模态光热传感器基础上。层状二维材料bi2o2se具有超高的电子迁移率，环境稳定性好，对光信号和热信号十分敏感。本发明将bi2o2se从其生长衬底(通常为云母衬底)转移到硅/高k(si/high-k)衬底上，通过cmos兼容的工艺制备背栅mosfet结构的器件。该器件能够对电脉冲、光脉冲、升温脉冲、降温脉冲实现高维度、非线性的记忆特性，因此可以实现多模态(电、光、升温、降温)的库网络设计，其中对于电脉冲信号和升温脉冲信号呈现出电流抑制效应，对于光脉冲信号和降温脉冲信号呈现出电流增强效应。在本发明的一个实施例中，通过多模态库网络设计方式对人体8种必须氨基酸的21种碱基序列进行了识别，相比于传统的电脉冲编码的方式，多模态的光热信号编码效率更高、精度更高。
5.具体的，本发明提供的基于bi2o2se的多模态光热传感器是以层状二维材料bi2o2se作为有效层沟道的背栅场效应晶体管，包括衬底和位于衬底上的沟道，沟道两端分别为源极和漏极，其中，所述衬底为硅/高k(si/high-k)衬底，所述沟道为bi2o2se纳米片。
6.上述多模态光热传感器中，所述硅/高k衬底是由硅衬底及其上的高k介质层组成的复合衬底，通常通过在硅衬底上生长具有高k值的介质层获得，例如硅/氧化铝复合衬底或者硅/氧化铪复合衬底；所述bi2o2se纳米片的厚度优选为10～20nm。
7.将bi2o2se纳米片从其生长衬底转移到硅/高k衬底上，通过电子束曝光(ebl)在bi2o2se纳米片两端定义源漏区域，然后在源漏区域淀积金属并剥离形成源极和漏极，即得到所述基于bi2o2se的多模态光热传感器。
8.bi2o2se对于电脉冲的刺激，电流呈现出非线性抑制效果，这是由于在大的vd下，自掺杂效应产生的电子会被激发到se空位，并被se空位束缚住，从而降低沟道电子数目，降低电流，对于光脉冲的刺激，由于光栅效应以及辐射热效应，会产生非平衡电子，增加电子浓
度，增加电流，对于温度脉冲的刺激，主要影响电子迁移率，升温脉冲会增加晶格散射，降低电子迁移率，降低电流，降温脉冲会降低晶格散射，增加载流子迁移率，增加电流。
9.基于上述多模态光热传感器，本发明提出的多模态库网络时序信息处理方法，包括以下步骤：
10.1)利用基于层状二维材料bi2o2se的多模态光热传感器对电脉冲信号、光脉冲信号、升温脉冲信号、降温脉冲信号的记忆特性，选择其中的两种、三种或四种脉冲信号设计多模态库网络；
11.2)对时序信息进行编码，然后根据编码序列对所述多模态光热传感器施加对应的两种、三种或四种脉冲信号序列，得到对应的电导态；
12.3)将步骤2)得到的电导态赋给步骤1)设计的多模态库网络的库节点，对多模态库网络进行训练；
13.4)利用步骤3)训练好的多模态库网络对待测时序信息进行识别。
14.上述步骤2)至3)通过已知的时序信息对多模态库网络进行训练，计算权重变化和准确率，不断进行权重更新，直至准确率达到一个最大值且不再变化时，训练完成。
15.利用本发明的多模态库网络时序信息处理方法可以实现对氨基酸密码子碱基序列的编码和识别，在步骤2)用两位二进制编码一种碱基，即“00”、“01”、“10”、“11”分别代表四种碱基，对所述多模态光热传感器施加各氨基酸密码子对应的两种、三种或四种脉冲信号序列，得到对应的电导态；在步骤3)将所得电导态赋给多模态库网络的库节点进行训练；在步骤4)对所述多模态光热传感器施加待测碱基序列对应的脉冲序列，将得到的对应电导态输入训练好的多模态库网络，即可识别出待测碱基序列编码的氨基酸。
16.在本发明的一个实施例中，用两位二进制编码一种碱基，分别是“00”代表碱基g，“01”代表碱基u，“10”代表碱基a，“11”代表碱基c。然后通过电、光、升温、降温四种方式对人体8种必需氨基酸的21种密码子的碱基序列进行编码，结合库网络进行时序信息的识别。
17.本发明的技术优势主要体现在：
18.1)基于高迁移率、性质稳定的新型层状bi2o2se半导体作为器件的有效层制备了背栅场效应晶体管结构的多模态光热传感器。
19.2)该器件能够对电、光、升温、降温四种刺激呈现高维度、非线性的记忆衰减特性，能够实现多模态库网络设计。
20.3)能够通过多模态库网络设计方式实现对人体8种必须氨基酸21种密码子的碱基序列的编码操作。
21.4)本发明的制作工艺与现有cmos工艺完全兼容，可实现大规模集成。
附图说明
22.图1为本发明所使用的新型层状材料bi2o2se三维立体晶格结构示意图。
23.图2～图5分别为基于bi2o2se材料的背栅场效应晶体管器件在电、光、升温、降温脉冲刺激下的电流特性。
24.图6～图9分别为采用电、光、升温、降温脉冲方式对人体8种必须氨基酸的21种密码子的碱基序列的编码结果。
25.图10为实施例中针对8种氨基酸的21种密码子的碱基序列用光、升温、降温三种方
式设计的库网络示意图及库网络计算过程示意图。
26.图11为实施例中针对8种氨基酸的21种密码子的碱基序列用单一电编码和多模态光、升温、降温编码的库网络训练后的权重分布图，其中(a)为单一电编码的库网络，(b)为多模态光、升温、降温编码的库网络。
27.图12为图11显示的权重分布对应的混沌矩阵，其中(a)为单一电编码的库网络，(b)为多模态光、升温、降温编码的库网络。
28.图13显示了实施例中针对8种氨基酸的21种密码子的碱基序列的库网络训练的识别准确率，其中(a)为单一电编码的库网络，(b)为多模态光、升温、降温编码的库网络。
具体实施方式
29.本发明提出了一种基于新型层状半导体材料bi2o2se的背栅场效应晶体管实现多模态库网络时序信息处理方法，该方法通过转移高迁移率且性质稳定的bi2o2se作为有效层沟道。根据bi2o2se器件对电脉冲、光脉冲、升温脉冲和降温脉冲的高维度、非线性的记忆衰退特性，实现了多模态库网络设计，进行了对人体8种必须氨基酸的21种密码子的碱基序列进行编码和识别。下面结合附图对本发明进行详细说明。
30.新型层状半导体材料bi2o2se属于四方晶格结构，se层和bio层相互交替排列，如图1所示。
31.以bi2o2se材料为沟道制备背栅场效应晶体管，给器件施加一个大的vd(》3v)的周期性电压脉冲，测试器件的电流在大的vd电压脉冲下呈现非线性降低的趋势，如图2所示。这是由于电子被激发到se空位，空位束缚电子，导致沟道电子浓度减少。
32.因为bi2o2se对于光的信号十分敏感，因此我们施加周期性开关的光脉冲信号，测试器件的电流在光脉冲的刺激下呈现出非线性升高的趋势，如图3所示。这是由于bi2o2se中存在光栅效应和辐射热效应，产生的光生空穴和热空穴被受主态束缚，增加了沟道电子浓度。
33.bi2o2se同样对温度的变化十分敏感，我们使用热电片实现升温脉冲信号，测试器件的电流在升温脉冲的刺激下呈现出非线性降低的趋势，如图4所示。这是由于升温会增加晶格散射，降低电子迁移率。
34.同样地，我们使用热电片实现降温脉冲信号，测试器件的电流在降温脉冲的刺激下呈现出非线性降低的趋势，如图5所示。这是由于降温会降低晶格散射，增加载流子迁移率。
35.进一步地，我们用四种方式(电、光、升温、降温)对人体8种氨基酸共21种密码子的碱基序列进行编码，每种密码子由3个碱基按一定顺序排列构成，我们用两位二进制编码一种碱基，分别是“00”代表碱基g，“01”代表碱基u，“10”代表碱基a，“11”代表碱基c。图6为通过电脉冲编码的电导值，图7为通过光脉冲编码的电导值，图8为通过升温脉冲编码的电导值，图9为通过降温脉冲编码的电导值，各图中(a)显示了缬氨酸密码子的编码，(b)显示了异亮氨酸密码子的编码，(c)显示了亮氨酸密码子的编码，(d)显示了赖氨酸和色氨酸密码子的编码，(e)显示了苯丙氨酸和甲硫氨酸密码子的编码，(f)显示了苏氨酸密码子的编码。
36.我们通过单一的电编码与多模态的光、升温和降温两种方式分别进行库网络计算，整个计算流程如图10所示。
37.1)对器件施加不同氨基酸密码子对应的脉冲序列，分别为施加单一电脉冲序列，施加多模态光、升温、降温脉冲序列，然后分别得到对应的电导态，其中多模态脉冲信号得到的电导态是单一电脉冲信号得到的电导态的3倍；
38.2)通过pycharm软件，使用python语言将上述电导态赋给库网络的库节点，因此多模态库网络所含库节点的数目是单一电操作库网络中库节点数目的三倍；
39.3)通过上述软件进行训练，计算权重变化，进一步计算准确率，不断地进行权重更新，直到准确率达到一个最大值且不再变化时，训练完成，输出最后的权重分布，混沌矩阵数据以及准确率数据。
40.训练后的权重分布如图11所示，其中(a)为单一电编码库网络的权重分布，(b)为多模态光、升温、降温编码库网络的权重分布。图12为对应的混沌矩阵，其中(a)为单一电编码，(b)为多模态编码。图13为两种方式的效率和准确率的对比，其中多模态的库网络识别准确率在训练30次就可以达到100％，而单一模态的电编码库网络识别准确率在训练500次后仍然维持在94.3％。