原作 Jennifer Chu

Root 编译自 MIT News

量子位 出品 | 公众号 QbitAI

论传递信息的能力，计算机的二进制目前还比不上人脑。

因为大脑神经元之间传递的信号形式远多过0或1两种：根据突触（神经元之间的结构）间不同的神经递质，不同的浓度，下游神经元可以拿到不一样的信号。

神经形态计算领域的研究人员希望，能找到一种造出类脑的芯片，可多层次地传递信息。一旦有了多层次的信号传递方式，那么 很小的一块神经形态芯片就能匹敌现在的超算，毫不费力地并行运算海量 数据 。

前两天，MIT电子与微系统技术实验室的Jeehwan Kim教授在《自然》材料子刊发表了一篇论文，SiGe epitaxial memory for neuromorphic computing with reproducible high performance based on engineered dislocations。

△  MIT电子与微系统技术实验室的Jeehwan Kim教授

Kim教授和他的研究团队设计出一种材料为硅鍺的人工突触芯片，可以精确地控制电流的强度，就像神经元可以定量释放多少神经递质一样。

论文中显示，这款人工突触芯片已经可以支持识别手写字体的机器学习算法，准确率达到95%。尽管低于现有的芯片的基准表现97%，不过依然相当promising。

可以说，这篇文章的研究工作奠定了未来神经形态芯片的发展基础。

以后我们的移动设备，可能得靠这种芯片来支持图像识别和其他机器学习任务了。又考虑到移动设备有限的续航能力，这芯片不光要体积小，还得低耗才行。

能快速运算AI算法，便携，低耗是未来市场对这种芯片的基础要求。

待解决的难题：太多条“路”可以走

Kim教授说，现有的大部分神经形态芯片都尝试模仿神经突触，将两个可导电的层用另一种纤维介质分隔开。由于所用的介质材料是非晶态的，电子可以朝所有可能的方向跑，像弹珠机一样。即使人工突触的空间结构是模仿出来了，却无法精准控制“递质释放的浓度”——电流的强度。

控制不了电流的强度，那么所携带的信息也就复现不了。这就是人工突触芯片面临的最大难题，缺乏信息传递的一致性。

完美的不匹配

为了解决这个问题，Kim研究团队锁定了一种由连续排列的原子组成的无缺陷导电材料，单晶硅。这样就可以准确预测电子的流动了。

后来进一步研究发现，硅锗的晶格稍大于硅的晶格，这两种完全不匹配的材料可以形成漏斗状的错位，反而能形成单一的离子流通路径。

这个由硅锗制成的人工突触芯片，每个“突触”间隙约25纳米。实验中对每个突触施加电压，发现所有突触都表现出差不多的电流，不同突触之间的差异大概为4％。与由非晶态的材料制成的“突触”相比，电流强度大小更可控。

对单个“突触”的700次重复施电压实验中，“突触”所输出的电流都是相同的，偏差均在1％。

Kim说：“这是我们目前能够达到的（电流强度）最一致的芯片了。”

对于提高未来人工神经网络性能来说，这工作迈出了很关键的一步。

识别手写数字的表现

电流强度是控制得不错了，那么和现有的冯诺依曼结构的芯片比，计算性能表现怎么样？

Kim团队给这种芯片布置了一个机器学习的任务：识别手写数字。

这是人工突触芯片的第一次实际测试。

例如，当一个输入是手写的“1”，输出标记为“1”时，不仅会有输出神经元被输入神经元激活，还会收到人造突触权重的影响。

如果输入神经元感知到不同样本之间，可能存在某些同一个字母的相似特征时（你可以想象为更多的手写“1”的例子输入同一个芯片时），相同的输出神经元就被激活，和我们大脑的学习过程一样。

最后这种硅鍺材质的人工突触芯片表现还不赖，手写数字识别准确率为95%，略微低于现在的基准线97%。

Kim团队希望，他们的研究工作可以为以后制造拥有超算能力、却和指甲一样大的芯片打些基础。这项研究已经得到了美国国家科学基金会的部分支持。

最后，附论文地址：
https://www.nature.com/articles/s41563-017-0001-5

及编译来源：
http://news.mit.edu/2018/engineers-design-artificial-synapse-brain-on-a-chip-hardware-0122