人腦最不可取代的便是其綜合處理的能力。人腦被柔軟的球狀器官所包圍，這個器官大約含有一千億個神經(jīng)元。在任何特定的時刻，單個神經(jīng)元可以通過突觸（即神經(jīng)元之間的空間，突觸中可交換神經(jīng)遞質(zhì)）傳遞指令給數(shù)以千計(jì)的其它神經(jīng)元。

人腦中有總計(jì)超過 100 萬億的突觸介導(dǎo)大腦中的神經(jīng)元信號，在加強(qiáng)一些信號的同時也削弱一些其它信號，使大腦能夠以閃電般的速度識別模式（pattern），記住事實(shí)并執(zhí)行其它學(xué)習(xí)任務(wù)。

最近，麻省理工（MIT）的工程師設(shè)計(jì)了一種人造突觸，可以實(shí)現(xiàn)精確控制流過這種突觸的電流強(qiáng)度，即類似離子在神經(jīng)元之間的流動。

圖 | 從左至右：MIT研究員Scott H. Tan，Jeehwan Kim，和Shinhyun Choi。

該團(tuán)隊(duì)已經(jīng)制造了一個由硅鍺制成的人造突觸小芯片。在模擬仿真過程中，研究人員發(fā)現(xiàn)該芯片及其突觸可以識別手寫樣本，其識別準(zhǔn)確率達(dá)到 95%。

研究發(fā)表在《Nature Materials》上，這一成果也被認(rèn)為是邁向用于模式識別和其它學(xué)習(xí)任務(wù)的便攜式低功耗神經(jīng)形態(tài)芯片的重要一步。

一直以來，神經(jīng)形態(tài)計(jì)算領(lǐng)域的研究人員都希望能將人腦的能力“復(fù)制”到計(jì)算機(jī)芯片。這樣的基于人腦的芯片與現(xiàn)在基于二進(jìn)制、開／關(guān)信號進(jìn)行計(jì)算的數(shù)字芯片非常不同，其元件將以模擬的方式進(jìn)行工作，通過交換梯度信號或權(quán)重信號來激活，非常類似神經(jīng)元依靠流過突觸的離子種類和數(shù)量來激活。

通過這種方式，小型神經(jīng)形態(tài)芯片可以像大腦一樣有效地處理數(shù)以百萬計(jì)的并行計(jì)算流，而目前，只有大型超級計(jì)算機(jī)才有可能實(shí)現(xiàn)這種并行計(jì)算。這種便攜式人工智能技術(shù)目前主要的障礙便是神經(jīng)突觸，這在硬件上實(shí)在難以實(shí)現(xiàn)。

大多數(shù)的神經(jīng)形態(tài)芯片設(shè)計(jì)均試圖模仿神經(jīng)元之間的突觸連接，該連接通過“切換媒介”或類突觸空間隔離的兩個導(dǎo)電層實(shí)現(xiàn)。當(dāng)施加電壓時，離子在開關(guān)介質(zhì)中移動形成導(dǎo)電絲，類似突觸的權(quán)重將會改變。

但是，現(xiàn)有設(shè)計(jì)卻很難控制離子的流動。設(shè)計(jì)者之一 Kim 說，由于大多數(shù)由非晶材料制成的開關(guān)介質(zhì)中離子通過的路徑有無限種可能，現(xiàn)有的開關(guān)接口包含多條路徑，因此難以預(yù)測離子究竟走哪一條路。

這一點(diǎn)就像機(jī)械街機(jī)游戲 Pachinko，通過一系列的引腳和杠杠將小鋼珠向下引導(dǎo)或轉(zhuǎn)移使小球離開機(jī)器。

圖丨Jeehwan Kim教授

Kim 描述道：“一旦你用一些施加的電壓來代表人造神經(jīng)元（傳輸）的某些數(shù)據(jù)，那么你必須能實(shí)現(xiàn)擦除并以完全相同的方式再寫。但在非晶態(tài)固體中，當(dāng)你再次寫入時，因?yàn)楣腆w中的許多缺陷，離子會走向不同的方向。因此整個離子流隨時在改變，并且不受控制。這就是現(xiàn)在面對的最大的挑戰(zhàn)——人造突觸的不均勻性。”

而 Kim 和他的同事們并沒有使用非晶材料來制造人造突觸，他們使用了單晶硅。單晶硅的原子順序有序排列，內(nèi)部并沒有大量缺陷存在。因此，研究小組試圖用單晶硅來制造精確的一維線缺陷或位錯，使離子能夠按照預(yù)計(jì)路線沿著位錯或缺陷流動。

為了實(shí)現(xiàn)這一目標(biāo)，研究人員從硅晶圓開始著手，先在硅晶圓上蝕刻上微觀圖案，然后再在硅上生長鍺形成硅鍺微觀圖案，硅鍺材料也是常用于晶體管的材料。由于硅鍺的晶格稍大于硅的晶格，Kim 發(fā)現(xiàn)，這兩種晶格不匹配的材料能夠形成漏斗狀的位錯，最終可以形成離子流單一流經(jīng)路徑。

因此，研究人員制造了一個由硅鍺制成的人造突觸組成的神經(jīng)形態(tài)芯片，其中每個突觸約 25 納米。對每個突觸施加電壓時，所有突觸都表現(xiàn)出幾乎相同的電流／離子流，突觸之間的差異約為 4%。與無定形材料制成的突觸相比，其性能更為一致。

他們還多次重復(fù)測試了一個突觸。在循環(huán)施加相同的 700V 電壓后發(fā)現(xiàn)，每次突觸都表現(xiàn)出相同的電流，循環(huán)之間的差異只有 1%。

Kim 說：“這是我們目前能達(dá)到重復(fù)性最高的裝置，這個裝置也是展示人工神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。”

團(tuán)隊(duì)最后的測試是探索如何執(zhí)行實(shí)際的學(xué)習(xí)任務(wù)，比如如何識別手寫樣本。研究人員認(rèn)為，這是神經(jīng)形態(tài)芯片的首次實(shí)際測試。該芯片由輸入／隱藏／輸出神經(jīng)元組成，每個神經(jīng)元經(jīng)由基于細(xì)絲的人造突觸連接到其他神經(jīng)元。

科學(xué)家認(rèn)為，這樣的神經(jīng)元網(wǎng)絡(luò)堆棧可以用來學(xué)習(xí)。例如，當(dāng)輸入為一個手寫的 1，輸出則標(biāo)記為 1，某些輸出神經(jīng)元將被輸入神經(jīng)元和人造突觸的權(quán)重所激活。當(dāng)更多手寫的 1 被輸入到同一個芯片時，當(dāng)它們感覺到不同樣本的同一個字母的相似特征后，相同的輸出神經(jīng)可能會被激活，從而類似大腦的學(xué)習(xí)方式。

研究團(tuán)隊(duì)還運(yùn)行了基于此芯片的人工神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)仿真模擬。他們以常用的手寫識別數(shù)據(jù)庫中的樣本作為仿真模擬測試的輸入樣品，在測試了成千上萬個樣本之后，他們發(fā)現(xiàn)，這一神經(jīng)網(wǎng)絡(luò)硬件系統(tǒng)的識別精度為 95%，而現(xiàn)有的軟件算法精度為 97%。

值得注意的是，這次的成果有望為近年涌現(xiàn)的一個新趨勢再添一把火，那就是計(jì)算能力從云端向終端遷移。目前我們看到的大多數(shù)AI計(jì)算，基本是在云端實(shí)現(xiàn)的，但是，這個方式正在日顯疲軟。拿自動駕駛為例，如果避險時AI必須將信息上傳至云端，由云端完成計(jì)算才能獲得處理結(jié)果，現(xiàn)實(shí)風(fēng)險是很大的。

因此，終端的計(jì)算能力對 AI 的重要性已經(jīng)得到了學(xué)界和業(yè)界的共同認(rèn)可，終端計(jì)算性能的提升也成為了萬眾追逐的目標(biāo)。一個更明顯的例子是 AI 手機(jī)。作為與個人生活場景的全天候連接的智能設(shè)備，AI 手機(jī)對于在終端運(yùn)行 AI 計(jì)算的需求正在變得更加多元化，例如語音、圖像、視頻處理等等。但是，作為移動設(shè)備，AI 手機(jī)所能攜帶的計(jì)算資源有限。

Kim團(tuán)隊(duì)成果的重要價值正體現(xiàn)在這里。他們的人造突觸設(shè)計(jì)能實(shí)現(xiàn)更小體積的便攜式神經(jīng)網(wǎng)絡(luò)設(shè)備，這些便攜式神經(jīng)網(wǎng)絡(luò)設(shè)備未來將可以完成目前只有大型超級計(jì)算機(jī)能完成的復(fù)雜計(jì)算。

現(xiàn)在，該團(tuán)隊(duì)正在制造一個能真正執(zhí)行手寫識別任務(wù)的神經(jīng)形態(tài)芯片。Kim 表示，我們最終需要的是一個如同指甲般大小的芯片來代替一個大型超級計(jì)算機(jī)。而他們的人造突觸這一發(fā)現(xiàn)為實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)硬件化打下了堅(jiān)實(shí)的基礎(chǔ)。