近日，清华大学集成电路学院唐建石、吴华强团队在Nature Electronics发表了一篇综述文章，清华大学深圳国际研究生院苏阳团队合作在Nature Materials发表了最新研究，以及清华大学物理系徐勇、段文晖研究组发表一篇Physical Review Letters。

集成电路学院唐建石、吴华强团队发表物理储备池计算研究综述

近日，清华大学集成电路学院唐建石副教授、吴华强教授与合作者在《自然·电子》（Nature Electronics）发表了题为「基于新型电子器件的物理储备池计算」（Physical reservoir computing with emerging electronics）的综述文章，系统梳理了基于新型电子器件的物理储备池计算的起源、发展与未来展望，重点分析了储备池架构、物理节点、输出层等构筑一个完整物理储备池系统的关键技术。

清华大学集成电路学院唐建石副教授为论文通讯作者，清华大学「水木学者」博士后梁向鹏为论文第一作者，共同作者包括清华大学集成电路学院吴华强教授、钱鹤教授、高滨副教授及苏州大学功能纳米与软物质研究院仲亚楠副教授，清华大学集成电路学院为本论文的第一单位。

图1.作为一种新型类脑计算架构，物理储备池计算系统包含输入、输出和储备池层，可高效处理时序信号

文章首先将物理储备池计算的实现架构分为四大类，包括时延耦合储备池（Delay-coupled RC）、动态器件储备池（Dynamic devices RC）、材料内计算储备池（In materia RC）、旋转神经元储备池（Rotating neurons RC），这些架构定义了储备池层中物理节点的拓扑连接关系。国内外研究团队尝试各种不同物理节点在这些架构下实现储备池，包括忆阻器、自旋电子器件、铁电场效应晶体管、纳米线网络等，用于模拟神经元的非线性和动态特性。除物理节点外，文章还介绍了物理储备池计算中预处理技术和输出层的设计方法，探讨了相应的优化策略与基准任务。在此基础上，文章详细对比了文献中各种实现物理储备池计算的硬件开销和综合性能，提出了系统设计的工具箱。

图2.四种典型的物理储备池计算架构

从硬件实现方式的角度看，储备池计算的发展大致经历三个阶段，自2001年提出储备池计算的原型—回声状态网络（ESN）后，最初十年的研究聚焦于算法方面，采用全数字的实现方式；第二个十年的研究进一步尝试了不同的架构和物理节点在模拟域实现储备池层，但输出层仍采用数字方式实现，代表数模混合的实现阶段；近几年的研究则开始更多关注一个全模拟的完整物理储备池计算系统，包括采用模拟型忆阻器阵列作为输出层，以降低整体功耗和硬件开销。当前，物理储备池计算正处于蓬勃发展阶段，国内外研究已充分论证物理储备池计算的原理和可行性，未来在架构、算法、物理节点、硬件实现、应用等方面具有广阔的发展机遇，其性能边界与应用领域将会得到进一步拓展。

图3.储备池计算的发展脉络与未来机遇

近年来，清华大学集成电路学院研究团队围绕储备池计算开展了深入研究，构筑了基于动态忆阻器的并行储备池计算系统，提出了旋转神经元储备池架构，研制了基于动态和非易失型忆阻器的完整储备池系统，并首次实现了端到端的全模拟信号处理。

研究得到国家自然科学基金委、科技部科技创新2030-重大项目、北京信息科学与技术国家研究中心、科学探索奖、高精尖创新中心「未来芯片学者支持计划」等的支持。

深圳国际研究生院苏阳团队合作发现近室温制备范德华块体材料的新方法

范德华块体材料，如六方氮化硼和石墨，在导热和高温结构材料等领域有重要应用。然而这类范德华块体材料通常需要在高于1000°C的高温下烧结制备，能耗巨大。

近日，清华大学深圳国际研究生院苏阳副教授和中国科学院深圳先进技术研究院与中国科学院金属研究所、深圳理工大学（筹）成会明院士团队发现，首先将六方氮化硼剥离为二维氮化硼纳米片，然后对纳米片进行加压密实化组装，可以在近室温条件下（室温至60°C）「自下而上」地制备氮化硼块体材料。该方法将制备该类材料的能耗降低了至少一个数量级。相关研究成果以「近室温下水辅助密实化纳米片制备其范德华块体材料」（Near-room-temperature Water-mediated Densification of Bulk van der Waals Materials from Their Nanosheets）为题，于3月15日发表于《自然·材料》（Nature Materials）期刊。

成会明院士、苏阳为论文通讯作者，清华大学深圳国际研究生院博士后朱九一（现为中国科学院过程工程研究所副研究员）、清华大学深圳国际研究生院2020级博士生李飞和中国科学技术大学近代力学系2021级博士生侯远震为共同第一作者。论文的其他重要合作者包括中国科学技术大学教授吴恒安、王奉超，中国科学院金属研究所研究员杜金红等。

研究团队从范德华材料的结构特性出发，由于该类材料的构筑单元之间主要以范德华力结合，只要这些构筑单元之间存在纳米及亚纳米尺度接触，就可以激活范德华作用，实现无需高温烧结的范德华块体材料的制备。为了验证这一想法，团队在近室温条件下压制了石墨烯、六方氮化硼、MXene、金属硫化物等二维纳米片，成功制备出一系列高密实化、高机械强度、纳米片高度定向组装的范德华块体材料。同时，受益于温和的制备工艺，该方法可用于大规模、快速制备范德华块体材料，并可应用于范德华块体材料的修复、表面压印等传统烧结法难以实现的应用。

图1.二维纳米片制备范德华块体材料的示意图、六方氮化硼块体材料的机械强度及微观结构表征

研究进一步揭示了纳米片表面吸附水分子的诱导作用是近室温组装范德华块体材料的关键机制。在组装过程初期，水作为润滑剂，可降低纳米片滑移和定向排列过程中的摩擦力，促进密实化堆垛和高定向排列；这一过程同时将水分子限制于二维纳米片形成的限域空间内，导致水分子脱附并快速逃逸出材料，其产生的毛细作用力拉近纳米片间的距离，诱导范德华作用的形成。

图2.近室温制备范德华块体材料的机制及应用

研究提出了采用二维纳米材料为构筑单元组装传统块体材料的研究思想，为范德华块体材料的高效、低能耗、高质量制备及多组分设计提供了全新方案，这也是纳米材料尤其是二维材料赋能传统材料加工的有力实验及科学证据。

研究得到科技部、国家自然科学基金委、深圳市科创委等的支持。

物理系徐勇、段文晖研究组将第一性原理人工智能方法拓展至密度泛函微扰理论计算

近日，清华大学物理系徐勇教授、段文晖教授研究组提出一种第一性原理人工智能的计算框架，利用神经网络进行密度泛函微扰理论（DFPT）计算，这一突破性的方法极大地提高了材料的微扰响应性质研究的计算效率。相关研究成果以「深度学习密度泛函微扰理论」（Deep-Learning Density Functional Perturbation Theory）为题发表于《物理评论快报》（Physical Review Letters），并被选为编辑推荐文章。

徐勇、段文晖为论文的通讯作者，研究组2019级博士生李贺、2023级博士生唐泽宸为共同第一作者。合作者还包括研究组2018级博士生傅靖恒、博士后董文翰、2018级博士生邹念龙，北京大学2021级本科生贡晓荀。

利用第一性原理方法计算预测材料的微扰响应性质，对于指导实验和实际应用具有重大意义。传统上使用DFPT方法研究响应性质，可用于描述巴丁-库珀-施里弗 (BCS) 超导、铁电性、输运性质等物理现象。然而，这种方法由于其较高的计算成本，可处理的材料体系范围受到极大限制。近期发展的一系列深度学习第一性原理计算方法，能够加速密度泛函理论（DFT）计算，高效准确地预测大尺度材料基态性质。将深度学习方法由DFT拓展至DFPT，从而极大加速微扰响应性质计算并应用于大尺度材料研究，是重要且亟待解决的问题。

图1.徐勇、段文晖研究组在第一性原理人工智能领域的近期进展：DeepH系列方法发展

在先前工作中，徐勇、段文晖研究组发展了一种名为DeepH（Deep-learning DFT Hamiltonian）的深度学习第一性原理计算方法，可从DFT数据中学习，并预测给定材料结构的哈密顿量，从而高效计算基态物理性质。随后，他们将这一方法推广至基于等变神经网络的普适框架DeepH-E3，以及用于研究磁性超结构的xDeepH。在这项最新进展中，徐勇、段文晖研究组将DeepH方法进一步扩展应用到DFPT计算上，通过神经网络学习DFPT的核心物理量，即单位扰动下科恩-沈（Kohn-Sham）势的变化，从而实现绕过最为耗时的斯特恩海默 (Sternheimer) 方程自洽求解过程，直接获得材料的微扰响应性质。

图2.深度学习密度泛函微扰理论（DFPT）计算框架的示意图

该工作通过结合神经网络与自动微分技术，能够准确预测物理量的导数，同时仅需使用DFT数据训练神经网络，大大简化了训练计算。应用此方法于电声耦合性质的研究，包括准确预测了声子线宽、伊利埃伯格 (Eliashberg) 谱函数、电声耦合强度以及BCS超导转变温度，成功证明了方法的高效率和良好的准确性，可研究传统DFPT难以处理的大尺度材料体系。研究将深度学习DFT和DFPT整合在一个统一框架中，为微扰响应性质的高效精确研究开辟了新的道路，同时也为第一性原理计算与深度学习的交叉领域探索了新的可能性。

研究得到基础科学研究中心、国家自然科学基金委、国家科技部重点研发计划、合肥先进计算中心等的支持。

论文链接：

[1]https://www.nature.com/articles/s41928-024-01133-z

[2]https://www.nature.com/articles/s41563-024-01840-0

[3]https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.132.096401

--清华大学