今天小编要向大家介绍的是：“斯坦福大学博士”，“长江学者特聘教授”，“国家杰出青年基金获得者”，“中国青年五四奖章获得者”……
他就是南京大学电子科学与工程学院的王欣然教授，让作者一起来看看这位“男神”教授是如何炼成的。王欣然教授成绩优异，从小对物理有着极其浓厚的兴趣，在2000年高中毕业后，他以奥林匹克物理竞赛山东省一等奖的优异成绩保送至南京大学物理专业，开启了男神的“修炼之路”。在本科期间，王欣然教授非常努力，每天往返于教室和图书馆之间。并且，他利用业余时间跟同学们组成了科研兴趣小组，探索复杂网络中的物理学模型。在毕业时，他不但成绩是全系第一，而且还手握多篇SCI论文。最终获得美国斯坦福大学的全额奖学金，出国留学。出国留学的生活并非想象中的那么美好，生活中时刻充满着这些挑战，陌生的语言环境和文化氛围。以及顶尖的学者和优秀的小伙伴们都给王欣然老师带来了不小的压力。他坦言，自己在这样一个压力的环境中度过了长达四年“缓慢”的适应期，他将这种“慢”视为一种不断学习不断积淀的过程，耐得住“慢”，扛得住“压力”，才能推动自己向目标更进一步。据他所说，博士不能总是顺风顺水。只有在高压的状态下，人才能不断地接受挑战、迎接挑战，从而不断突破自我，达到更高的高度。在斯坦福大学，王欣然选择了美国艺术与科学院院士戴宏杰教授作为自己的导师，从事下一代电子材料与器件研究。王欣然博士在石墨烯纳米材料及电子器件方面攻克了诸多国际难题。而石墨烯应用于集成电路的一个最大问题，在于它不是半导体。2008年，王欣然与合作者经过反复持续的探索和实验,大胆提出了使用化学方法合成10nm以下的石墨烯纳米带半导体，在国际上首次制造出互补型高开关比石墨烯纳米带场效应晶体管，并长期保持开关比的纪录；与合作者共同发展了多种方法合成石墨烯纳米带；利用高质量的纳米带材料，在国际上首次证明了石墨烯纳米带有望制造下一代自旋量子器件。随后，王欣然教授又分别在斯坦福大学化学系和伊利诺伊大学香槟分校材料系做过博后。这一系列工作发表在Science、Nature、Nature子刊等国际顶级学术期刊，引用7500余次。
2023年1月11日Nature论文截图
2011年，的王欣然积极响应国家引进海外高层次人才的号召，成为母校南京大学电子科学与工程学院的一名教授。回国后，王欣然博士带领研究组围绕电子科学国际前沿领域“二维材料的信息器件”开展研究，研究组致力于低维材料的合成、性质、信息器件以及柔性电子学研究。十年时间内，不仅完成实验室的各方面建设，还指导研究生在Nature、 Nature子刊，Advanced Materials等学术期刊发表高水平研究论文十余篇，论文总引用超过12000次，H因子32。尤其是在国际上首次阐明了二维材料的缺陷对载流子输运的重要影响，得到了国内外同行的高度评价。最新Nature Nanotechnology解读现代人工智能 （AI）依靠中央云来处理边缘设备生成的数据。但这种云边缘分离模型并不节能。开发具有训练和推理合一 （TIIO） 架构的原位机器学习硬件的动机强烈（图1a），这是边缘智能（EI）的最终目标。TIIO 提供了数据安全性、实时处理和带宽的优势，但由于边缘资源有限，它需要极高的能源和面积效率，这远远超过现有硬件技术的能力。最近，基于非易失性存储器（NVM）的内存计算（IMC）已成为EI的有前途的解决方案。然而，使用单个 NVM 技术同时执行训练和推理一直具有挑战性。大多数 NVM 缺乏较大的内存可调性属性，从而阻止了同时满足训练和推理要求的通用 IMC 架构。今天，王欣然教授课题组和清华大学吴华强教授课题组联合报告了一种基于铁电场效应晶体管和原子薄MoS2的双工器件结构通道，并实现用于原位学习的通用内存计算架构。通过利用铁电能量领域的可调性，双工构建块在耐久性方面表现出整体出色的性能（>1013）、保持力（>10 年）、速度 （4.8 ns） 和能耗（22.7 22.7 fJ bit–1 μm–2).作者使用双晶体管一双工铁电场效应晶体管单元阵列实现了硬件神经网络，并在原位训练权重的非线性定位任务中实现了 99.86% 的准确率。仿真结果表明，在显著提高能效的情况下，所提出的器件架构可以达到与图形处理单元相同的性能水平。图1c显示了2T1D双工电池的光学显微照片，其中双工FeFET的两个分离栅极通过垂直通孔连接到训练（T）和推理（I）选择器。图 1d 说明了原位机器学习过程中的编程顺序。T和I字线是相应选择器的栅极电压，分别用于在训练和推理过程中选择T型和I型突触。双工 FeFET 器件结构：这项工作中的所有器件都使用化学气相沉积单层 MoS2 作为通道和由两个介电层和三个金属层组成的局部背栅 (BG) 结构（图 2a）。作者首先研究了 FeFET 的存储特性作为 CFE/CDE 的函数。图 2b 描绘了作为 AFE/ADE 函数的 FeFET 的双扫描 Ids–Vg 特性。正如预期的那样，由于栅极堆栈中 DE 的贡献增加，存储器窗口随着 AFE/ADE 逐渐变窄。在纯 DE 情况下，器件恢复到晶体管行为，滞后可忽略不计（图 2b）。FeFET 的保留和耐久特性总结在图 2c、d 中，总体而言，作者的双工FeFET表现出出色的存储器性能，可满足器件级别的原位学习要求原位学习的硬件实现：为了证明双工FeFET结构在原位学习方面的潜力，作者建立了一个包含三个神经元层（输入、隐藏和输出）的人工神经网络（图3a），并解决了二维空间的定位问题（图3b）。图3c显示了一个典型的使用T型突触的训练过程，随着时间的推移，准确率和损失逐渐向数据集的区分边界靠拢。在第17次后，训练和测试数据的准确率都达到了100%。图3d显示了训练前后突触权重的直方图分布，表明权重被反向传播算法有效改变。训练结束后，权重被转移到TIIO细胞中的I型突触，用于后续推理（方法）。随后，作者对额外的10,000个数据点进行了分类（图3e）。直方图表明推理结果的高保真度。大规模ANN仿真：图4b展示了一个广泛采用的单目深度估计方法是编码器-解码器结构。构建了两个变异模型用于训练和推理，以确保模拟的可靠性。仿真的芯片由128×128个2T1D单元组成，有一个外围的模数转换器（ADC）、采样和保持电路多路复用器、控制器和驱动器（图4c，插图）。图4d显示了自主驾驶期间的几个街道场景。作者的双工TIIO芯片成功地识别了所有的特征，并以与图形处理单元（GPU）相当的收敛率捕获了它们的相对深度（图4c）。由于二维材料和FE HZO的后端优势，未来神经形态计算核心可以与其他必要的池化、激活、路由和缓冲等功能模块进行单片集成，并进一步提高整体能效。小结：在这项工作中，作者展示了通过设备架构设计实现的内存指标的大可调性，这是大多数NVM技术所缺乏的。作者展示了一个可以完成现场机器学习的IMC架构，使用的是单元式器件技术。通过在同一个存储单元中集成具有互补特性的分体式FE电容，所提出的双工架构解决了长期困扰EI应用的训练和推理的存储需求冲突问题。它不仅简化了硬件制造过程，而且还将训练和推理过程合并到一个存储器构件中。这样一个紧凑的设计可以改善并行计算，从而提供更高的能源效率。作者的设计还包容了转移学习，这种学习在图像处理、自然语言处理和情感识别中得到了广泛的应用，因此可能会成为终身学习应用中的一个关键组成部分。--纤维素推荐--
--测试服务--
--荐号--
声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！