Science在線發(fā)表最新論文：科學家創(chuàng)造類似一種人造突觸，可以模仿神經(jīng)元在大腦中的通信方式。對于特定的任務(wù)，人工突觸系統(tǒng)處理和記憶動作所需的能量，僅相當于最先進的計算系統(tǒng)的十分之一。

模仿大腦，計算機能夠同時處理存儲和運算了。

人腦可以在能耗很低的條件下具備同時學習和記憶大量信息的能力，而目前傳統(tǒng)的計算機系統(tǒng)只能先處理數(shù)據(jù)，再移動到存儲中。

最近，斯坦福大學和桑迪亞國家實驗室的研究人員開發(fā)出一種類腦計算機的部分裝置：它類似一種人造突觸，可以模仿神經(jīng)元在大腦中的通信方式。對于特定的任務(wù)，人工突觸系統(tǒng)處理和記憶動作所需的能量，僅相當于最先進的計算系統(tǒng)的十分之一。

這項工作以在線論文形式發(fā)表在Science上。

研究人員稱，這些裝置中的9個（3x3）原型陣列在處理速度、能效、可再現(xiàn)性和耐久性方面表現(xiàn)優(yōu)于預期。

數(shù)據(jù)處理和信息存儲同時進行，能耗僅需計算機的十分之一

該團隊打造的人工突觸類似于改版的電池，研究人員可以調(diào)大或關(guān)閉兩個終端之間的電流，電流模仿大腦中的學習方式。

由斯坦福大學和桑迪亞國家實驗室的研究人員設(shè)計的一系列人工突觸可以模擬人類大腦處理和存儲信息的方式。

這是一種特別高效的設(shè)計，因為大腦中的數(shù)據(jù)處理和內(nèi)存存儲是一個動作，而不是更傳統(tǒng)的計算機系統(tǒng)中那樣，先處理數(shù)據(jù)，再移動到存儲中。

了解這些設(shè)備如何在陣列中執(zhí)行是至關(guān)重要的一步，因為系統(tǒng)可以讓研究人員同時對多個人工突觸進行編程，這比為每個突觸逐一編程要節(jié)約大量的時間，而且這種方式與大腦實際工作方式更加類似。

在之前對該設(shè)備的先前測試中，研究人員發(fā)現(xiàn)，對于特定的任務(wù)，人工突觸系統(tǒng)處理和記憶動作所需的能量，僅相當于最先進的計算系統(tǒng)的十分之一。

不過，研究人員擔心所有這些設(shè)備在較大陣列中協(xié)同工作可能會產(chǎn)生過高的功率，因此重新設(shè)計了每個設(shè)備以降低電流。雖然電池不如原來了，但人工突觸陣列更節(jié)能了。

中國科學家參與，性能超出預期

這個3×3陣列依賴于第二類設(shè)備作為陣列中突觸編程的開關(guān)。該設(shè)備由馬薩諸塞大學的Joshua Yang（楊建華）教授開發(fā)，他也是該論文的共同作者之一。

他的學生Zhongrui Wang也參與了論文。

楊建華教授曾與南京大學物理學院繆峰教授課題組與南京大學現(xiàn)代工程與應(yīng)用科學學院王鵬教授等人合作，在可耐受超高溫存儲研究方面取得重要進展。研究成果以Robust memristors based on layered two-dimensional materials（基于層狀二維材料的高魯棒性憶阻器）為題于2018年2月5日在Nature Electronics（《自然·電子學》）上發(fā)表。

論文鏈接：https://www.nature.com/articles/s41928-018-0021-4

在Science這篇論文中，研究人員發(fā)現(xiàn)陣列的性能超出了研究人員的預期。團隊預測下一版本的系統(tǒng)設(shè)備測試需要使用特殊的高速電子設(shè)備。在測試了3×3陣列的能效后，研究人員對1024×1024大型突觸陣列進行了計算機模擬，并估計系統(tǒng)可以使用目前用于智能手機或小型無人機的電池供電。研究人員還將設(shè)備進行了超過十億次的開關(guān)操作，沒有發(fā)現(xiàn)其行為的任何退化現(xiàn)象。

圖：IFG神經(jīng)形態(tài)陣列的并行編程、XOR映射和仿真。

圖(A)：將3×3的原型IFG陣列劃分為兩層神經(jīng)網(wǎng)絡(luò)的示意圖，分別用橙色和綠色表示。

圖(B)：給出了4個變成模式的例子，它們隨電導的相對變化而變化，其中灰度表示更新強度。

除了加速權(quán)值更新步驟外，研究人員還演示了在使用3×3 IFG陣列將’exclusive or’函數(shù)(XOR)映射到一個兩層神經(jīng)網(wǎng)絡(luò)之后的推理(圖C)。

該網(wǎng)絡(luò)對所有XOR輸入進行分類，準確率為100%。crossbar被用于在推理過程中執(zhí)行模擬點積(圖D)和在寫入操作過程中執(zhí)行模擬外積更新(圖B)。

圖(E)顯示，最終得到的網(wǎng)絡(luò)達到了理想的精度。

目前剛剛觸及”問題表面“，未來可期

展望未來，研究團隊希望將他們的人工突觸與傳統(tǒng)電子設(shè)備相結(jié)合，為小型設(shè)備上進行人工智能學習邁出重要的一步。

“如果人的記憶系統(tǒng)能夠以我們提出的能源效率和速度來學習，那么你甚至可以把它放在智能手機或筆記本電腦中?！痹撜撐淖髡咧?、研究生Scott Keene說。

斯坦福大學材料科學與工程教授Alberto Salliio是本文共同通訊作者，他表示，這一發(fā)現(xiàn)將讓我們對自己的神經(jīng)網(wǎng)絡(luò)進行訓練，并在我們自己的設(shè)備上本地解決問題，無需依靠數(shù)據(jù)傳輸。

研究人員還沒有對人工突觸陣列的學習效果進行測試，但未來有計劃研究這個問題。研究團隊還希望了解他們的設(shè)備對不同環(huán)境條件（比如高溫）的承受能力，以及如何讓該系統(tǒng)與其他電子設(shè)備進行集成。未來還有許多基礎(chǔ)問題有待解答，以幫助研究人員準確理解為什么他們的系統(tǒng)表現(xiàn)如此出色。

目前關(guān)注這個特定的架構(gòu)的團隊不多，但研究人員認為這是一個非常有前景的方向?！澳壳叭杂胁恍〉母倪M空間，還有創(chuàng)造力尚待挖掘。我們才剛剛觸及問題的表面而已?！?/p>