用于神经网络计算的高性能 低能耗的人工突触

尽管多年来计算机技术的所有进步，我们仍然在努力重新创造低能量、优雅的人脑加工。 现在，斯坦福大学和桑迪亚国家实验室的研究人员已经取得了进步，可以帮助计算机模拟大脑的一个有效设计——一个人工的神经元交流空间版本，称为突触。

斯坦福大学材料科学与工程副教授、该论文的高级作者Alberto Salleo说：“它的工作原理就像一个真正的突触，但它是一种可以被设计的有机电子设备。” “这是一个全新的设备系列，因为这种类型的架构以前从未出现过。 对于许多关键指标来说，它的性能也优于以前用无机物做的任何事情。”

新的人工突触，在2月20日的《自然材料》杂志上报道，模仿大脑中的突触通过交叉信号学习的方式。 这比传统计算节省了大量的能量，这涉及到单独处理信息，然后将其存储到内存中。 这里，处理创建内存。

这种突触可能有一天是一个更像大脑的计算机的一部分，这可能特别有利于计算与视觉和听觉信号。 这方面的例子可以从语音控制接口和无人驾驶汽车中看到。 过去在这一领域的努力已经产生了由人工智能算法支持的高性能神经网络，但这些仍然是依赖于消耗能量的传统计算机硬件的大脑的遥远模仿者。

建立大脑

当我们学习时，电信号被发送到我们大脑中的神经元之间。 最需要的能量是第一次穿越突触。 每次之后，连接需要更少的能量。 这就是突触如何有效地促进学习新事物和记住我们所学到的东西。 人工突触，与大多数其他类似大脑的计算版本不同，也同时完成这两项任务，并以大量的能量节省来完成。

研究报告的主要作者、Salleo实验室前博士后学者Yoerivan de Burgt说：“深度学习算法非常强大，但它们依赖于处理器来计算和模拟电态，并将它们存储在其他地方，这在能量和时间上都是低效的。” 我们的工作不是模拟神经网络，而是试图建立一个神经网络。

人工突触是基于电池设计的。 它由两个薄的、柔性的薄膜和三个端子组成，由一个咸水电解质连接。 该装置作为晶体管工作，其中一个端子控制另两个之间的电流。

就像大脑中通过学习强化的神经通路一样，研究人员通过反复放电和充电来编程人工突触。 通过这种训练，他们能够在1%以内不确定地预测什么电压将需要使突触到一个特定的电气状态，一旦在那里，它仍然处于这种状态。 换句话说，与普通计算机不同的是，在关闭硬盘之前，人工突触可以在没有任何额外动作或部件的情况下回忆其编程。

测试人工突触网络

只产生了一个人工突触，但桑迪亚的研究人员使用了15，000个关于该突触的实验测量来模拟它们的阵列如何在神经网络中工作。 他们测试了模拟网络识别数字0到9的笔迹的能力。 在三个数据集上进行了测试，模拟阵列能够识别手写数字，准确率在93%到97%之间。

虽然这项任务对一个人来说相对简单，但传统的计算机很难解释视觉和听觉信号。

该论文的高级作者、加利福尼亚州桑迪亚国家实验室技术人员A.亚历克·塔林说：“我们期望我们的计算机设备所做的各种任务越来越需要模仿大脑的计算，因为使用传统的计算来完成这些任务正变得非常饥渴。 “我们已经演示了一种非常适合运行这类算法的设备，它消耗的能量要少得多。”

这种装置非常适合传统计算机难以执行的信号识别和分类。 数字晶体管只能处于两种状态，如0和1，研究人员成功地在人工突触中编程了500种状态，这对于神经元型计算模型是有用的。 在从一种状态切换到另一种状态时，他们使用的能量大约是最先进的计算系统所需的十分之一，以便将数据从处理单元移动到内存。

然而，这意味着他们仍然使用大约10，000倍的能量，生物突触所需的最低限度，以发射。 研究人员希望，一旦他们在较小的设备中测试人工突触，他们就能达到神经元级的能量效率。

有机潜力

该装置的每一部分都是由廉价的有机材料制成的。 这些在自然界中没有发现，但它们主要由氢和碳组成，并且与大脑的化学物质相容。 细胞已经在这些材料上生长，它们甚至被用来制造用于神经递质的人工泵。 用于训练人工突触的电压也与通过人类神经元的电压相同。

所有这些都意味着人工突触有可能与活神经元通信，从而改善脑机界面。 该装置的柔软性和灵活性也有助于在生物环境中使用。 然而，在生物学应用之前，该团队计划建立一个实际的人工突触阵列，以供进一步的研究和测试。