研究人员制作突触设备桥接神经形态计算障碍

由神经形态工程中心YeonJoo Jeong博士的团队领导的韩国科学技术研究所（KIST）的一个研究小组宣布了一种人工突触半导体器件，该器件克服了神经形态系统开发中的几个挑战。

在本文中，我们讨论了人工突触设备和神经形态计算面临的局限性和挑战，并分析了研究的意义。

 

模仿人脑

在第一个实用的忆阻器（记忆电阻器）开发出来后，人工突触获得了大量的研究关注。电子设备和新兴的基于人工智能的应用需要更快、更强大的处理单元，忆阻器被认为是人工智能时代的潜在硬件元素。

 

正如KIST研究人员的这张概念图所示，基于半导体的人工突触试图模仿人脑。图片由KIST提供

 

随着晶体管的缩小，量子隧穿效应变得显著，导致高漏电流和功耗增加。人工突触通过模仿人脑来解决这些问题，并有望将电子设备的性能扩展到冯·诺依曼架构的极限之外。

然而，忆阻器的线性行为导致具有变化电阻的相当大的电压降，增加了延迟和能量消耗。KIST研究团队通过解决切换参数和减少概率来解决这个问题。他们推出了一种用于高性能神经形态计算的集群型模拟忆阻器。

 

人工突触装置

在传统的冯·诺依曼体系结构中，中央处理单元（CPU）与存储器分离。因此，在存储器和处理单元之间的传输过程中会损失能量和数据吞吐量。像图像处理这样的资源密集型任务突破了传统架构的极限，需要具有实时数据处理能力的硬件。

人工突触，如忆阻器，在人类大脑中充当单个神经元。每个神经元都可以在存储位置分析和处理数据。这种方法在传输数据时节省了大量能量。

忆阻器可以通过在非常低的电压下移动几个离子来改变状态。一旦电压被去除，离子就会保持它们的位置，并且在没有进一步能量消耗的情况下保持状态。另一方面，诸如静态随机存取存储器（SRAM）之类的设备需要少量的电荷来维持数据。

在神经形态系统中，数百层电阻开关矩阵集成在传统数字电路上，以实现高性能。

然而，忆阻器随着电阻的变化而线性地起作用。当灯丝在这些器件中以不同的电阻生长时，电场增加并开始正反馈，导致灯丝快速生长和电场增加。此问题会导致高功耗和延迟。

研究人员认为，这些设备非常需要非线性行为来减少延迟和能耗，但电导的线性对于高开关比（开关打开和关闭时通过开关的电流比）是必要的。因此，在线性和功耗之间存在折衷。随着技术的扩展，这个问题变得更加严重，并限制了矩阵的大小或计算能力。

 

高性能人工突触半导体

在他们的研究论文中，KIST的研究人员发现，高离子还原概率可以提高现有忆阻器器件的性能。他们开发了一种导电桥RAM，其中的开关依赖于银簇而不是细丝的形成，从而减少了电场中的反馈效应。

 

人工突触装置示意图。图片由KIST提供

 

该团队通过在硅介质中引入过渡金属（TM）纳米团簇来微调活性电极离子的氧化还原特性。他们发现，钛金属表现出接近理想的线性，开关比增加，数据保留时间是现有人工突触设备的63倍。他们进一步报告说，他们的神经形态硬件的效率高出50倍。

研究团队通过实现人工神经网络学习模式并尝试人工智能图像识别，证实了他们系统的可行性。他们发现，与现有的神经形态设备相比，错误率降低了60%。此外，手写图像模式（MNIT）的识别准确率提高了69%以上。

 

突触装置的应用证实了错误率的降低。图片由KIST提供

 

作为他们的下一步，该团队现在计划在开发的人工突触设备的基础上制造一种神经形态半导体芯片，以实现高性能的人工智能系统。

这些努力可能为神经形态计算的新的实际应用打开大门，推动人工智能科学又向前迈进了一步。