為了克服馮諾依曼瓶頸，提高算力的同時并降低功耗，以人工神經網絡（ANN）為架構、新型憶阻器件作為計算單元的全硬件計算平臺是一個極具吸引力的課題。其中儲備池計算（RC）是一種低訓練成本、善于處理復雜時空信息的計算架構。典型的RC系統(tǒng)由儲備池層和讀出網絡組成。作為RC系統(tǒng)的核心，儲備池層中豐富的非線性元素在無需訓練的情況下即可將輸入數據映射到高維空間中。相反，讀出網絡需要非易失性存儲器的連續(xù)電導狀態(tài)切換特性來進行寸內計算。因此，目前基于憶阻器件的全硬件RC系統(tǒng)通常需要使用兩種類型的憶阻器件（易失型和非易失型）才能實現(xiàn)，這無疑為全硬件RC系統(tǒng)帶來了制造和集成的復雜性。此外，由于儲備池層易失性憶阻器件的時間動力學可調性有限，以及讀出層非易失性憶阻器件中多個電導態(tài)的線性度較低，目前基于全憶阻器的硬件RC系統(tǒng)在計算效率和精度方面存在瓶頸。

為了克服這些挑戰(zhàn)，中山大學劉陽輝副教授等人提出了一種結合靜電調控和電化學摻雜機制的多端電解質柵控晶體管(MTEGT)。通過多個柵極對溝道的協(xié)同調控和改變晶體管的柵極電壓工作范圍，將具有極寬時間動力學調制窗口（高達兩個數量級）的可調易失性動力學和具有高線性度的非易失性存儲特性集成到單個晶體管器件中。除了利用MTEGT中的易失性/非易失性動力學實現(xiàn)了對突觸功能的短程可塑性/長程可塑性（STP/LTP）的模擬，并且通過對不同輸入模式下MTEGT合理的任務分配構建了一個僅由一種MTEGT就能完全實現(xiàn)的物理RC系統(tǒng)，并將其用于圖像識別。此外，MTEGT構成的并行物理儲備池計算架構在時間序列預測任務中實現(xiàn)了0.002的超低歸一化均方誤差。以上研究表明，以MTEGT為代表的多端晶體管將成為下一代低硬件成本和高計算性能的多功能神經形態(tài)計算器件的潛在方案之一。

得益于底柵模式下晶體管在不同電壓范圍內能夠通過靜電調控和電化學摻雜機制對溝道進行短時程/長時程的調控，包括興奮性后突觸電流（EPSC），雙脈沖易化（PPF）在內的多種突觸行為在MTEGT上被驗證。并且在加大脈沖電壓強度之后觀察到了STP向LTP轉變的現(xiàn)象（轉變閾值電壓約為2.5V），通過在底柵上輸入連續(xù)30個正/負脈沖，得到了具有良線性度的連續(xù)溝道電導變化。

該團隊設置了兩個側柵端參與對溝道電導的調控，分別是輸入端（G1）和控制端（G2）。G1作為信號輸入端，而G2則通過設置不同的偏置電壓來改變G1對溝道電導的調控能力。通過這種方法，該團隊演示了在同一溝道上獲取至少十個具有不同時間動力學的儲池狀態(tài)的過程，并通過提取電流衰減的弛豫時間證明了MTEGT具有寬的時間動力學調制窗口，即在不超過2V的偏置電壓變化窗口內（-0.8V~1.0V），電流衰減的時間尺度發(fā)生了兩個數量級的變化（70ms ~ 11.7 s）。

在手寫字體是別的任務中，基于全MTEGT的RC系統(tǒng)在100個訓練周期后取得了超過83%的識別精度，盡管這一成績低于混合RC系統(tǒng)（即儲備池層采用MTEGT實現(xiàn)而讀出層網絡的訓練仍舊在傳統(tǒng)計算平臺CPU上進行）的89%，但在功耗方面的領先是巨大的。

為了進一步驗證基于MTEGT的RC系統(tǒng)在處理時序相關信息的能力，該團隊進行了一個二階非線性動力學方程的求解即預測（NARMA2）任務，預測值與真實值之間的歸一化均方誤差（NMSE）被用于評估RC系統(tǒng)處理相關信息的能力。在不同規(guī)模的物理儲備池（M×N，M為并行儲備池的個數，N是實際參與計算的時間節(jié)點數）的處理后，得到的預測值與真實值之間的NMSE與儲備池規(guī)模之間的關系如圖5（e）所示，其中NMSE最低可達0.002。在與其它類似工作的比較中，基于MTEGT的RC系統(tǒng)無論是在預測精度還是所消耗器件數上都具有明顯的優(yōu)勢。

Liu K, Li J, Li F, et al. A multi-terminal ion-controlled transistor with multifunctionality and wide temporal dynamics for reservoir computing. Nano Research, 2023, https://doi.org/10.1007/s12274-023-6343-1.