通过将一个扩散忆阻器和一个电阻器堆叠在一个晶体管上，即可制成一个集成脉冲人工神经元，该神经元功能强大、占用空间小（仅需一个晶体管）、能耗低，适用于神经形态计算系统。如封面图片所示，每个神经元的有效区域约为 4 μm²。
图片来源：南加州大学杨氏实验室
南加州大学维特比工程学院和高级计算学院的研究人员开发出了能够复制生物脑细胞复杂电化学行为的人工神经元。
这项发表在《Nature Electronics》上的创新成果，是神经形态计算技术的一次飞跃。它能将芯片尺寸缩小几个数量级，降低能耗几个数量级，并有望推动通用人工智能的发展。
与仅模拟神经活动的传统数字处理器或现有基于硅技术的神经形态芯片不同，这些人工神经元在物理层面上体现或模拟了其生物对应物的模拟动力学。正如神经化学物质启动大脑活动一样，化学物质也可用于启动神经形态（类脑）硬件设备中的计算。由于它们是对生物过程的物理复制，因此与以往仅由数学方程式构成的人工神经元版本截然不同。
这项由南加州大学计算机与电子工程教授约书亚·杨（Joshua Yang）领导的研究，引入了一种基于所谓扩散忆阻器的新型人工神经元。杨教授十多年前也曾领导撰写过一篇关于人工突触的开创性论文。发表《Nature Electronics》上的这篇论文探讨了这种人工神经元如何催生出一类新型芯片，以补充和增强当今的硅基技术。硅基技术为几乎所有现代电子设备提供动力，并依赖电子的运动进行计算。
相反，杨及其同事提出的用于构建神经元的扩散装置将依赖于原子的运动。这种神经元可以用于制造新型芯片，这些芯片的运行方式更接近我们大脑的运作方式，更加节能，并有望引领通用人工智能（AGI）的到来。
在生物过程中，大脑利用电信号和化学信号来驱动身体的各种活动。神经元或神经细胞初产生的是电信号，当这些信号到达神经元末端的间隙（突触）时，会被转化为化学信号，以便传递和处理信息。信息传递到下一个神经元后，部分信号会再次转化为电信号，并在神经元内部继续传递。
图片来源：通信工程杂志
杨及其同事成功地在几个关键方面高保真地模拟了这一物理过程。其主要优势在于：他们基于扩散忆阻器的人工神经元仅需单个晶体管的空间，而传统设计则需要数十甚至数百个晶体管。
具体来说，在生物模型中，离子或带电粒子有助于产生电信号，从而引发神经元的活动。在人脑中，这类过程依赖于钾、钠或钙等化学物质（例如离子）来驱动这种活动。
在本文中，南加州大学神经形态计算卓越中心主任杨教授利用氧化物中的银离子产生电脉冲，并模拟计算过程，以执行运动、学习和规划等活动。
“尽管它们并非我们人工突触和神经元中的完全相同的离子，但控制离子运动和动力学的物理原理却非常相似，”他说道。“银易于扩散，并能提供我们所需的动力学特性来模拟生物系统，从而使我们能够用非常简单的结构实现神经元的功能。”
这种能够实现类似大脑芯片的新型装置被称为扩散忆阻器，因为它利用了银的离子运动和动态扩散特性。
他还补充说，该团队选择利用离子动力学来构建人工智能系统，“因为这正是人脑中发生的事情，这是有充分理由的，而且人脑是‘进化中的赢家’——高效的智能引擎。”
“这样效率更高，”他解释说，“并不是说我们的芯片或计算机功能不够强大，而是它们的效率不够高，能耗太高了。”
考虑到运行大型软件模型（例如人工智能的机器学习）需要大量算力，消耗大量能量，这一点尤为重要。
杨进一步解释说，与大脑不同，“我们现有的计算机系统原本并非设计用来处理海量数据或仅凭少量示例就能自主学习。提高能源效率和学习效率的一种方法是构建按照大脑中观察到的原理运行的人工系统。”
如果你追求的是纯粹的速度，那么运行现代计算机的电子无疑是快速运算的佳选择。但他解释说：“离子比电子更能体现大脑的运作原理。因为电子轻巧且易变，所以用电子进行计算能够实现基于软件的学习，而不是基于硬件的学习，这与大脑的运作方式有着本质的区别。”
相反，他表示，“大脑通过跨膜移动离子来学习，直接在硬件中实现节能和适应性学习，或者更准确地说，在人们可能称之为‘湿件’的系统中实现学习。”
例如，一个幼儿只需看过几个手写数字的例子就能学会识别，而计算机通常需要成千上万个例子才能完成同样的任务。然而，人脑完成这种惊人的学习能力时，仅消耗约20瓦的功率，而如今的超级计算机却需要兆瓦级的功率。
这种新方法使模拟自然智能的目标更进一步。
杨指出，实验中使用的银与传统的半导体制造工艺不兼容，需要研究其他离子种类以实现类似的功能。
这些扩散型忆阻器的效率不仅体现在能量上，还体现在尺寸上。通常，一部智能手机大约有10个芯片，但却包含数十亿个晶体管或开关，它们控制着支撑计算的开/关（0和1）。
杨表示：“相反，（通过该革新技术），我们每个神经元只需要一个晶体管。我们正在设计构建模块，终将使我们芯片尺寸和能耗都缩小几个数量级，从而在未来以可持续的方式执行人工智能，达到类似的智能水平，而无需消耗我们无法承受的能源。”
“既然我们已经展示了功能强大且结构紧凑的构建模块——人工突触和神经元，下一步就是将它们大量整合起来，并测试我们能在多大程度上复制大脑的效率和能力。”
杨总结道：“更令人兴奋的是，这种高度还原大脑的系统有望帮助我们发现更深入地研究人类大脑。”
关注公众号
