用于模拟深度学习应用的质子可编程设备

据IEEE报道，一项研究发现，其推出的人工神经元（New artificial versions of the neurons and synapses）和突触比人脑的神经元小 1000 倍，比生物突触快至少 10000 倍。

研究人员表示，这些新设备可能有助于提高被称为深度神经网络的日益普遍和强大的人工智能系统的学习速度。

在人工神经网络中，被称为“神经元”的电子元件被输入数据并协同解决问题，例如识别图像。神经网络反复调整其 ersatz 神经元之间的联系，并查看由此产生的行为模式是否更适合找到解决方案。随着时间的推移，网络会发现哪些模式最适合计算结果。然后它采用这些作为默认值，模仿人脑中的学习过程。

如果一个神经网络拥有多层神经元，它就被称为“深度” 。深度神经网络越来越多地用于分析医学扫描、设计微芯片、预测蛋白质如何折叠和增强自动驾驶汽车等应用。

动物的思维速度通常被限制在几毫秒内——受到神经信号在其中混洗的微弱电压和含水介质的限制。然而，人造的固态神经元和突触并没有受到这些限制的限制。

训练深度神经网络所需的时间、精力和金钱正在飙升。研究人员正在寻求帮助克服这一挑战的一种方法是在模拟大脑的硬件而不是传统计算机上训练模拟大脑的深度神经网络，这种策略称为模拟深度学习。

正如晶体管是数字计算机的核心元件一样，类似神经元和突触的组件也是模拟深度学习的关键组成部分。在这项新研究中，研究人员对称为可编程电阻器的人工突触进行了实验。

新的可编程电阻器类似于忆阻器或存储电阻器。这两种设备本质上都是电子开关，可以记住关闭电源后切换到的状态。因此，它们类似于突触，其导电性取决于过去通过它们的电荷量而增强或减弱。该研究的主要作者、麻省理工学院电气工程师Murat Onen说，忆阻器是两端器件，而新的可编程电阻器是三端器件。

研究小组的可编程电阻器通过移动质子来增加或减少它们的电导率。为了增加电导，电场有助于将质子插入设备中。为了降低电导，质子被取出。

这些质子可编程电阻器使用类似于电池中的电解质来让质子通过，同时阻挡电子。他们的电解质是磷硅酸盐玻璃，研究人员怀疑这种玻璃在室温下具有高质子传导性。这种玻璃容纳了许多用于质子传输的纳米级孔隙，并且还可以承受非常强的脉冲电场以帮助质子快速移动。

与早期版本的设备中使用的有机Nafion电解质不同，磷硅酸盐与硅制造技术兼容。这有助于将设备“一直缩小到 10 纳米规模”，Onen 说。相比之下，生物神经元大约长 1000 倍。

生物神经元和突触处理和传输数据的速度受到弱电压和这些信号在其中混洗的水介质的限制。任何超过 1.23 伏的电压都会导致液态水分解成氢气和氧气。因此，动物的思维速度通常限于毫秒时间尺度。相比之下，人造固态神经元和突触不受这些限制的限制。然而，尚不清楚它们与生物学对应物相比有多快。

在实验中，科学家们发现他们的质子可编程电阻器在室温下的执行速度至少比生物突触快 10，000 倍。“最令人惊讶的部分是看看我们在固体介质中移动质子的速度有多快，”Onen说。“以前的操作时间尺度大约是毫秒，而在这项工作中，我们达到了纳秒。”

此外，这些设备可以运行数百万次循环而不会发生故障。此外，它们在计算过程中产生的热量与人类突触相当——磷硅玻璃的绝缘特性意味着当质子移动时几乎没有电流通过该材料，从而使这些小工具非常节能。

“主要的技术含义是我们现在可以拥有用于模拟深度学习应用的质子可编程设备，”Onen 说。“与竞争技术相比，此类设备的前身已经具有许多有前途的品质，但速度非常慢，这意味着它们不适合在处理器中使用。”

此外，Onen 说，“无论何时需要快速离子运动，例如微型电池、燃料电池、人工光合作用和电致变色，固体中超快离子传输的发现可能具有比模拟深度学习更广泛的意义。”　

      审核编辑：彭静