何毓辉

编辑:美高梅游戏官网 时间:2017-03-08

个人简历

姓名:何毓辉

职务:教授

联系方式:

电子邮件heyuhui_at_hust.edu.cn (请勿用qq、163等邮箱来函)

联系电话:027-87792692

地址:武汉国家光电实验室F105

课题组主页: http://ismd.hust.edu.cn/info/1077/1272.htm

学习工作经历:

1999年9月至2003年7月 北京大学微电子学系本科

2004年9月至2009年7月 北京大学微电子学系硕博连读

2009年7月至2010年11月 中国科学院微电子研究所博士后

2010年12月至2014年8月 日本大阪大学产业科学研究所特任研究员

2014年9月至2015年8月 日本学术振兴会特任研究员

2015年9月 美高梅游戏官网娱乐教授

研究方向概况:

1)神经形态计算 (Neuromorphic computing)

在大数据时代,数据信息呈爆炸式增长,信息系统追求越来越快、同时也越来越智能的信息处理与存储。然而传统的计算机是依据冯·诺依曼计算架构图灵机两大概念建立的。在冯·诺依曼计算架构中计算和存储功能是分离的,两者速度的不匹配形成了冯·诺依曼瓶颈,且这一差距被越拉越大,限制了信息处理速度和效率的进一步提高。另一方面,图灵机的状态跳变是预先确定好的控制规则进行,即它不具有自主学习能力

      

 

 

图1:(a) 冯·诺依曼计算架构 (b) 图灵机原理

 

神经形态计算借鉴人脑的认知信息处理模式,信息的处理与存储依靠神经元与突触均在神经网络中完成,这就实现了存储计算融合(In-memory computing,克服了冯·诺依曼瓶颈问题。并且,神经形态计算模仿大脑中突触的可塑性,具有自主学习的能力,即现在炙手可热的人工智能(Artificial Intelligence。因此,神经形态计算被近年来的国际半导体技术路线图钦定为下一代信息技术的两大候选之一。

17F5C

     

图2:神经形态计算原理图 (a)生物体中的神经网络示意图:蝌蚪状蓝色小球表示一个神经元,蓝色小球之间连接的火花代表神经元之间的突触正在传导信号。(b)神经元的积分点火(Integrate-&-Fire)工作模式示意图。(c)突触可塑性的Hebb法则。(d)多层(multilayer)前馈(Feedforward)神经网络示意图。

 

当前,神经形态计算研究大体可以分为顶层的算法设计(Algorithms)与底层的器件开发(Devices)。大家研究组致力于开发基于脉冲神经网络(Spiking Neural Network)的底层神经形态器件与顶层人工智能。

    

146E9

  

图3:基于脉冲神经网络的运动模式识别原理图(详细先容见ppt

 

底层神经形态器件是指能够模拟突触与神经元功能的人工器件。突触仿真一项最重要的功能是基于脉冲时序的可塑性(Spike-timing dependent plasticity,缩写STDP),根据顶层算法的不同,STDP具体表现形式也不同,并不拘泥于生物学突触的表现形式,如下图所示。

470C

 

图4:基于脉冲时序的(突触)可塑性有多种表现形式。横坐标是前突触神经元脉冲与后突触神经元脉冲的时间差,纵坐标是突触权重(synaptic weights)的相对变化。

 

同样道理,人工神经元器件并不追求全盘模仿生物神经元功能,而是根据上层算法的要求,选择性实现如积分-点火(Integrate-&-Fire)、不应期(refractory period)、激发/抑制(Excitatory/inhibitory)等功能。

综上所述,大家研究组针对某项具体的人工智能(如运动模式识别、语音识别等),设计基于脉冲神经网络的算法,并采用软硬件结合的手段优化神经网络设计,并据此引导底层人工突触与神经元器件的研发、组网。


9E98


图5:基于纳流体的突触器件原型 (a) 采用微纳电子工艺制备的纳流体沟道。(b)纳流体沟道的伏安特性曲线扫描图,包含显著的记忆特性。

更多详细先容参见何毓辉博士讲授《微电子学前言报告》课件(2017年):

Synapse, Neurons & Brain-inspired Computing (突触、神经元与类脑计算)


研究组近期成果:

1. “Nanochannel-Based Transport in an Interfacial Memristor Can Emulate the Analog Weight Modulation of Synapses”, Nano Letters, 2019

2. “Optimal Tuning of Memristor Conductance Variation in Spiking Neural Networks for Online Unsupervised Learning”, IEEE Transaction Electron Devices, 2019

3. “Alleviating Conductance Nonlinearity via Pulse Shape Designs in TaOx Memristive Synapses”, IEEE Transaction Electron Devices, 2019

4. “Graphene-ferroelectric transistors as complementary synapses for supervised learning in spiking neural network”, NPJ 2D Materials & Applications, 2019


2)基于纳流体的生物分子检测



图6:基于纳米孔的基因测序示意图:在薄膜上制备纳米尺度的穿孔(nanopore),然后通过电学或力学、热学等手段,驱动DNA分子穿过纳米孔。由于纳米孔的尺寸限制,DNA分子必须以展开的链状形式泳动通过。大家再在纳米孔中制备电极或其它检测手段,测量每一个通过的碱基物理特性,由此确定碱基种类,达到测序目的。

   基于纳米孔的基因测序生物芯片,有望实现1000美金成本的全基因组测序目标,是当前科技研究的热点之一。然而,该研究也面临着若干重大挑战,例如如何有效操控DNA分子通过纳米孔的运动,以实现碱基的测量。再例如,DNA链上相邻碱基的间距是0.34纳米左右,这就要求检测的电极具有极高的空间分辨率,考虑到良率的要求,这对微纳加工技术是非常高的挑战。

   一方面,本课题组采用电学、热学、力学等多种手段尝试操控DNA分子运动,并采用分子动力学、多尺度物理建模等理论模型模拟纳米尺度沟槽中的流体运动、离子以及生物大分子运动。另一方面,大家积极尝试新的二维材料实现电学检测的单碱基分辨率(single-nucleobase resolution),如下图所示:



图7:基于二维材料的测序示意图:石墨烯—氮化硼—石墨烯三层结构,上下两层石墨烯作为两个独立电极,中间的氮化硼作为绝缘层。图为分子动力学模拟的单链DNA通过纳米孔瞬间。

主要成果:

   长期从事基于微纳电子学方法的生物学研究,在纳米科技领域Advanced Functional Materials, ACS Nano, NPG Asia Materials等国际重要科研期刊发表数十篇第一编辑研究论文,其中多篇被选作当期封面论文。


教学:

   面向高年级本科生开设《类脑计算与器件》课程,系统化整理、讲授类脑计算与器件领域的国际前沿进展,本课程2018年首次开讲,期末评教在全院所有课程中排名前10。


何毓辉教授寄语:

科研工作最有魅力、同时也最挑战人的一个地方就是,你需要不停的学习新东西

我本人学生时代的专业训练是微电子学,但科研工作一直是在探索微纳电子与生物学的交叉,这中间需要不停的学习各种跨学科的常识范式。

我个人的体会,一方面,不停的主动学习新的常识体系,会给个人的生命注入新的活力。科学方面每每学到新的常识体系,都会刷新你对世界的理解、认知,让你不是一个实际上陈腐、乏味的人,所谓“问渠那得清如许,为有源头活水来”。

而另一方面,这种终身学习与人的天性是违背的,因为灵长类动物成年后学习能力是衰退的。所以,需要后天刻苦的训练、长期的培养来形成习惯,来做这个“逆天”的工作。

年轻的同学们,大学正是你们学习能力最强、对科研也最有探索能力的时候,所以,Enjoy life inspired by ideas, and put ideas to work! (搞科研这个东西,亦可赛艇!)

 

 

 

 

 

 

 

 

美高梅游戏官网娱乐_手机美高梅游戏网址  联系电话:027-87558726  邮编:430074 地址:中国?湖北省武汉市珞喻路1037号 美高梅游戏官网娱乐南五楼六楼

XML 地图 | Sitemap 地图