MIT設計人造突觸晶元，模擬大腦神經元傳遞信息

論處理能力，人類的大腦是無法被打敗的。

一個粘糊糊的、足球大小的器官里，大約有1000億個神經元。在任何特定的時刻，一個神經元都可以通過突觸（神經元之間的結構）把指令傳達給上千萬的其它神經元，交換神經遞質。在大腦中，有超過100萬億個突觸可以傳播神經元信號，增強聯繫，同時幫助大腦識別圖案，記住事實，並以閃電的速度完成其他學習任務。

突觸

新興的「神經擬態計算」領域的研究人員試圖設計出像人腦一樣的電腦晶元。而不是像如今的數字晶元一樣基於二進位進行計算，開/關信號。「晶元上的大腦」的元素是在一個模擬的情況下工作，交換一個傾斜的信號，或「權重(weight)」，就像神經元不同方式的激活取決於穿越突觸的離子的類型和數量一樣。

通過這種方式，理論上很小的神經擬態晶元也可以像大腦一樣，有效地處理數以百萬計的並行計算流，但這目前只有大型的超級計算機才能實現。在這種攜帶型人工智慧的發展過程中，一個很重要的問題是神經突觸，這在硬體上的非常難複製。

現在，麻省理工學院的工程師們設計了一種人工神經突觸，可以精確地控制流經它的電流的強度，類似於神經元之間的離子流動。該團隊已經用硅鍺製造了一個帶有人工神經突觸的小晶元。在模擬中，研究人員發現這個小晶元和它的突觸可以用來識別筆跡樣本，準確率高達95%。

今天發表在《Nature Materials》雜誌上的這一設計，是構建用於圖像識別和其他學習任務的攜帶型、低功率的神經擬態晶元很重要的一步。

該研究由Jeehwan Kim領導，他是1947年機械工程和材料科學與工程學系的職業發展助理教授，也是麻省理工學院電子和微系統技術實驗室的首席研究員。他的合著者是Shinhyun Choi(第一作者)，ScottTan(第一作者)，Zefan Li, Yunjo Kim,Chanyeol Choi，和Hanwool Yeon，和亞利桑那州立大學的Pai-Yu Chen。

研究人工突觸的團隊

難題：太多條「路」可以走

大多數神經擬態晶元的設計都在試圖模擬神經元之間的突觸連接，將兩個可導電的層用另一種纖維介質分隔開。當施加電壓時，離子在纖維介質中移動以產生導電絲，類似於突觸變化的「權重」。

但是在現有的設計中控制離子的流動是很困難的。Kim說，這是因為大多數交換媒介由非晶態材料構成，所以離子有無限多種可能的路徑跑-- 有點像彈珠機。像彈珠機一樣，現有的介質包含多條路徑，這使得預測離子通過的位置變得困難。Kim教授說，這會導致突觸的表現產生不必要的不均勻性。

離子像彈珠一樣有無數可能的路徑

Kim說:「一旦你用人造神經元中的電壓來代表一些數據，你就必須把它擦去，然後用同樣的方法再寫出來。」但在非晶固體中，因為存在缺陷，當你再寫時，離子會向不同的方向運動。電流在變化，這很難控制。這是最大的問題——人工神經突觸的不均勻性。

解決方案：完美的不匹配

為了解決這個問題，Kim和他的同事們沒有使用非晶材料作為人工神經突觸，而是鎖定了一種由連續排列的原子組成的無缺陷導電材料，單晶硅。研究小組試圖通過硅製造出一種精確的一維線缺陷或錯位，通過這些硅離子就可以預測出離子的流動了。

為了做到這一點，研究人員首先使用了一種硅晶圓片，類似於顯微鏡下的一種網狀結構。然後，他們在硅晶圓上種植了一種類似的硅鍺材料，這種材料通常也在晶體管中使用。硅鍺的晶格略大於硅的晶格，這兩種完全不匹配的材料可以形成漏斗狀的錯位，從而形成單一的離子流動路徑。

研究人員製作了一個由硅鍺製成的人工突觸組成的神經擬態晶元，每個突觸的間隙約為25納米。他們對每個突觸施加電壓，發現所有的突觸都或多或少地呈現出相同的電流或離子的流動，不同突觸之間的差異約為4% -- 這與非晶材料形成的突觸相比，電流強度大小更可控。

在對單個突觸的700次重複施電壓實驗中，他們發現突觸所輸出的電流都是相同的，只有1%的偏差。「這是我們能達到的（電流強度）最均勻的設備了，這是詮釋人工神經網路的關鍵，」Kim說。

應用：識別手寫筆跡

作為最後的測試，Kim的團隊探索了它的晶元如何執行實際的學習任務 -- 識別筆跡的樣本，研究人員認為這是神經擬態晶元的第一個實際測試。這種晶元由「輸入/隱藏/輸出神經元」組成，通過基於絲狀體的人工神經突觸連接到其他「神經元」。

科學家們相信這樣的神經網路可以用來「學習」。例如，當輸入一個手寫的「1」，輸出標記為「1」時，不僅會有輸出神經元被輸入神經元激活，還會受到人造突觸權重的影響。如果輸入神經元感知到不同樣本之間，可能存在同一字母的相似特徵時，比如當更多的手寫「1」被輸入到相同的晶元中，同樣的輸出神經元可能被激活，這和我們大腦的「學習」的方式相似。

Kim和他的同事們對一個人工神經網路進行了計算機模擬，該神經網路由三層神經層組成，這些神經層通過兩層人工神經突觸連接起來，這些神經網路的特性是基於他們真實的神經擬態晶元測量的。他們用神經擬態設計人員常用的手寫識別數據來模擬成千上萬的樣本，發現他們的神經網路硬體識別手寫樣本的準確率是95%，略微低於現有的軟體演算法的準確率97%。

該團隊正在製作一個執行手寫識別任務的神經擬態晶元，這不是模擬，而是現實。除了手寫，Kim說這個團隊的人工突觸設計可以讓更小的攜帶型神經網路設備進行複雜的計算，而現在只有大型的超級計算機才有可能完成這些計算。

「

最終，我們想要一個像指甲一樣大的晶元來取代一台大型超級計算機，這是帶領人們走向生產真正的 AI 硬體目標前進的一塊墊腳石。

」

這項研究得到了國家科學基金會的支持。

信息來源：MIT News

圖片來源：網路

分享這篇文章

與同仁共同探討AI行業動向

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！