基于晶体管的模拟神经元效率低下,全新的电子元件设计可以完成神经形态人工智能的极高效实现。
使用模拟神经元的设备进行计算可以有效解决传统计算机无法解决的问题,然而理论上,在电路元件中生成神经形态动作电位需要至少三阶复杂度,此前甚至很少有二阶神经形态元件的案例。
通过一系列试验和建模,研究人员找到了执行布尔运算三阶元素的简单无晶体管网络,并找到了计算困难的图分区问题的模拟解。这项工作为实现紧凑、功能密集的神经形态计算,以及神经科学模型的验证铺平了道路。
对于工程师们来说,无法实现人类大脑效率和超强计算性能的其中一个原因在于,一直以来我们缺少一种可以独立发挥神经元作用的电子设备。这可能需要我们发明一种全新的设备,其设计比此前创造的所有东西都更加复杂。
这并非不可能,近日,惠普实验室的 Suhas Kumar、R.Stanley Williams(现在为德州农工大学教授)以及斯坦福大学已故博士生 Ziwen Wang 发明了一种满足这些要求的设备。只需使用简单的直流电输入,这一设备不仅可以输出其他设备可以管理的简单脉冲,而且还可输出神经元的全部活动情况,包括脉冲爆发、自激振荡,以及大脑中出现的其他情况。
新器件结合了电阻、电容和 Mott 忆阻。最关键的部分是纳米级薄度的 NbO2 层。
它在同一个器件上结合了电阻、电容和所谓的 Mott 忆阻器。忆阻器是一种以电阻的形式保存流过它们的电流的存储器。Mott 忆阻器还有一个附加功能,即能够反映受温度影响下的电阻变化。Mott 转换中的材料根据其温度在绝缘和导电之间转换。这种特性在 20 世纪 60 年代就被发现了,但直到最近才在纳米级设备中进行了探索。
该转换发生在忆阻器中的纳米级氧化铌条中。当施加电压时,NbO2 会轻微发热,使其从绝缘变为可导电。一旦发生这种转换,电容中累积的电荷就会流过。然后,设备冷却到刚好足以触发转回绝缘状态。这样脉冲电流就类似于神经元的动作电位。
Williams 说:「我们已经努力了五年,只有一小部分的纳米级材料结构有实验效果」。
根据 Kumar 的说法,忆阻器发明者 Leon Chua 预测,如果设置出可能的器件参数,则行为稳定的区域之间将存在行为混乱的区域。在某些混乱区域的边缘,可能存在执行新的人造神经元功能的器件。
Williams 将调整设备材料和物理参数,找到可行配比的功劳归于 Kumar。「你无法偶然发现可用的设计,」Williams 说道。「在你看到特性之前,所有一切必须都是完美的,但一旦你能够做到这一点,它会变得非常稳固,而且可以复现。」
研究人员首先构建了脉冲版本的布尔逻辑门(NAND 和 NOR),随后通过构建小型模拟优化电路来对器件进行测试。
要想把这一设备最终扩展到实用化程度,并挑战当前常规架构的设备还需时日。Kumar 和 Williams 正计划探索不同温度下存在 Mott 转换的其他可能材料。NbO2 的转换出现在 800 度,过高了。这一温度只会出现在纳米级的涂层里,想要把这种环境扩展到数百万设备上是一个大问题。
其他人已经研究了钒氧化物,这种化合物可以在更为舒适的 60 度下工作。但 Williams 认为,鉴于数据中心的芯片通常会在 100 度左右运行,这一温度可能有点低了。
可能还会存在其他可实现同样效果的转换材料。「寻找最佳材料是一个非常有趣的问题,」Williams 说道。
https://spectrum.ieee.org/nanoclast/semiconductors/devices/memristor-first-single-device-to-act-like-a-neuron
如何根据任务需求搭配恰当类型的数据库?
在AWS推出的白皮书《进入专用数据库时代》中,介绍了8种数据库类型:关系、键值、文档、内存中、关系图、时间序列、分类账、领域宽列,并逐一分析了每种类型的优势、挑战与主要使用案例。
点击阅读原文或识别二维码,申请免费获取白皮书。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道:content@jiqizhixin.com