这款新设计是便携式AI设备的重大步骤吗？

从左起：麻省理工学院研究人员Scott H. Tan，Jeehwan Kim和Shinhyun Choi图片：柯乔

谈到处理能力时，人类大脑无法击败。

在柔软的足球尺寸的器官内包装在约1000亿内神经元。在任何给定的时刻，单个神经元通过突触通过突触将指令中继到数千个其他神经元 - 神经元之间的空间，在跨越神经传递器的内容。在大脑中介导神经元信号传导的100多万亿突触，在修剪他人的过程中加强一些连接，使大脑能够识别模式，记住事实，并在闪电速度下进行其他学习任务。

“神经形态计算”的新兴领域的研究人员试图设计像人类大脑一样工作的电脑芯片。不是基于二进制，开/关信令的计算，如今天的二进制，开/关信令，而像数字芯片一样，“芯片上的大脑”的元素将以模拟方式工作，交换信号的梯度或“权重”，更像根据在突触跨越的离子的类型和数量，以各种方式激活神经元。

以这种方式，小的神经芯片可以像大脑一样，有效地处理数百万的并行计算流，这些计算目前只有大型的超级计算机。但是在前往这种便携式人工智能的方式上的一个重要终止是神经突触，这在硬件中重现了特别棘手。

现在，MIT的工程师已经设计了一种人工突触，使得它们可以精确地控制流过它的电流的强度，类似于神经元之间的离子流动的方式。该团队建立了一个小型芯片，用硅锗制成的人造突触。在仿真中，研究人员发现，芯片及其突触可用于识别手写样本，精度为95％。

今天发布的设计是在舞台上发布的，是建立便携式低功率神经芯片的重要步骤，以用于模式识别和其他学习任务。

该研究由Jeehwan Kim为1947年职业发展助理教授的职业发展助理教授领导，在机械工程和材料科学与工程部门，以及麻省理工学院电子学带科技实验室研究实验室的主要调查员。他的共同作者是Shinhyun Choi（第一作者），Scott Tan（Co-​​First Author），Zefan Li，Yunjo Kim，Chanyeol Choi和Mit Hanwool Yeon，以及Pai-Yu Chen和Shimeng Yu of Arizona National大学。

太多的道路

大多数神经形态芯片设计试图使用由“切换介质”或“突触状空间分开的两个导电层来模拟神经元之间的突触连接。当施加电压时，离子应该在切换介质中移动以产生导电丝，类似于突触的“重量”如何变化。

但是难以控制现有设计中的离子流动。Kim说，因为由非晶材料制成的大多数切换介质，都具有无限可能的路径，我可以通过哪个路径 - 一点像pachinko，一个机械街机游戏，通过一系列销钉和杠杆弄乱小钢球，这是一种Pert或将球引导出机器。

像Pachinko一样，现有的交换介质包含多个路径，使得难以预测离子将通过的地方。Kim说，可以在Synapse的性能中产生不必要的不​​均匀性。

“一旦使用人工神经元申请一些电压来代表一些数据，您必须擦除并能够以完全相同的方式再次写入，”Kim说。“但是在一个无定形的坚实中，当你再次写下时，离子进入不同的方向，因为有很多缺陷。此流正在发生变化，并且很难控制。这是最大的问题 - 人工突触的不均匀性。“

一个完美的不匹配

而不是使用非晶材料作为人工突触，金和他的同事看着单晶硅，一种缺陷的导电材料，由在连续有序的对准中布置的原子制成。该团队试图通过硅创建精确，一维线缺陷或脱位，通过离子可以预测地流动。

为此，研究人员从硅片的晶圆开始，类似于微观分辨率，鸡丝图案。然后，它们生长了类似的硅锗模式 - 一种也通常在晶体管中使用的材料 - 在硅晶片的顶部。硅锗的晶格略大于硅，金刚地发现，两个完美不匹配的材料可以形成漏斗状错位，产生单个路径，离子可以流动。

研究人员制造了一种神经形态芯片，包括由硅锗制成的人工突触，每个突触横跨约25纳米。它们向每个突触施加电压，发现所有突触的所有突触均可或多或少地具有相同的电流或离子流动，在突触之间的变化约为4％ - 与由无定形材料制成的突触相比的更均匀的性能。

他们还在多次试验中测试了单一突触，施加相同的电压超过700个循环，发现突触表现出相同的电流，从循环到循环中只有1％的变化。

“这是我们可以实现的最统一的设备，这是展示人工神经网络的关键，”Kim说。

写作，认可

作为最终测试，Kim的团队探讨了它的设备如何执行，如果它正在执行实际的学习任务，具体而言，识别出手写样本，研究人员认为是对神经形态芯片的第一个实际测试。这种芯片将由“输入/隐藏/输出神经元”组成，每个芯片通过基于丝的人工突触连接到其他“神经元”。

科学家认为，可以使这种神经网堆叠“学习”。例如，当输入作为手写的“1”的输入时，用输出标记为'1的输出为1，'某些输出神经元将通过输入神经元和人工突触的重量激活。当将手写的'1S'的更多示例馈送到同一芯片中时，当它们在相同字母的不同样本之间感知相似的特征时，可以激活相同的输出神经元，从而以类似于大脑的方式“学习”。

金和他的同事率为一台人工神经网络的计算机模拟，由三层神经层组成，通过两层人工突触连接，它们基于其实际神经芯片的测量。他们从神经形式设计师常用的手写识别数据集中喂入成千上万的样本，并发现其神经网络硬件公认的35％的手写样本，而现有软件算法的97％的准确性相比。

该团队正在制造一个工作的神经形态芯片，该芯片可以进行手写识别任务，而不是模拟但实际上。Kim表示，除了手写之外，Kim表示，该团队的人工突触设计将实现更小的便携式神经网络设备，可以执行当前只有大型超级计算机的复杂计算。

“最终我们希望一个像指甲一样大的芯片来取代一个大型超级计算机，”金说。“这打开了一块踏脚石，以生产真正的人造硬件。”

这项研究得到了美国国家科学基金会的部分支持。

出版物：Shinyun Choi等，“基于工程位错的可再生高性能的”SiGe外延记忆，“自然材料（2018）DOI：10.1038 / S41563-017-0001-5