近日，MIT工程師設計出了一種像大腦突觸一樣運作的AI系統，這種神經網絡的系統，基于離子的技術可以實現對大腦學習過程的節能模擬，為物理神經網絡提供更快，更可靠和更節能的方法。

世界各地的團隊正在建立一種稱為神經網絡的更為復雜的人工智能系統，該系統以某種方式模仿大腦的布線，以執行諸如計算機視覺和自然語言處理之類的復雜任務。使用最新的半導體電路來模擬神經網絡需要大量的內存和高功耗。現在，麻省理工學院的一個團隊已朝著另一種系統邁進了一步，該系統使用了物理模擬設備，可以更加有效地模擬大腦過程。

麻省理工學院教授Bilge Yildiz，Ju Li和Jesúsdel Alamo以及麻省理工學院和布魯克海文國家實驗室的其他9位研究人員在論文《Nature Communications》中描述了這一發現。該論文的創作者是夏霞瑤，他是前麻省理工學院的博士后，目前在GRU能源實驗室從事儲能工作。

神經網絡試圖模擬在大腦中進行學習的方式，這是基于逐漸增強或減弱的神經元之間的連接（稱為突觸）而建立的。該物理神經網絡的核心組件是電阻開關，其電導率可以電氣控制。這種控制或調節模擬了大腦中突觸的增強和減弱。

在使用常規硅微芯片技術的神經網絡中，這些突觸的模擬是一個非常耗能的過程。為了提高效率并實現更雄心勃勃的神經網絡目標，近年來，研究人員一直在探索許多物理設備，這些物理設備可以更直接地模仿突觸在學習和遺忘過程中逐漸增強和減弱的方式。

迄今為止，對于這種模擬突觸，大多數候選模擬電阻裝置要么在能量使用方面效率很低，要么在一個裝置到另一個裝置或一個周期到下一個周期的執行不一致。研究人員說，新系統克服了這兩個挑戰。“我們不僅要解決能源挑戰，而且還要解決普遍存在的一些現有概念中與重復性相關的挑戰，”

“我認為當今構建神經網絡應用程序的瓶頸是能效。特別是在無人駕駛汽車等邊緣應用上花費太多的精力，”教授del Alamo說。他補充說，訓練這些復雜的應用程序對于當今的技術來說根本不可行。

這項工作中的電阻開關是一種電化學設備，由三氧化鎢（WO 3）制成，其工作方式類似于電池的充電和放電。Alamo解釋說，根據所施加電壓的極性和強度，離子（在這種情況下為質子）可以遷移到材料的晶格中或從材料的晶格中遷移出來。這些變化會一直存在，直到被反向施加的電壓改變為止（就像突觸的增強或減弱一樣）。

在新的模擬突觸中，顯示為H +的氫離子（質子）可以在氫存儲材料（R）和活性材料（A）三氧化鎢之間來回遷移，穿過電解質層（E）。離子的移動受通過金電極（S和D）施加的電壓的極性和強度控制，這反過來會改變設備的電阻。從而模擬內存。

“這種機制類似于半導體的摻雜。”在該過程中，通過將外來離子引入硅晶格，可以將硅的電導率改變許多數量級。“傳統上，這些離子是在工廠植入的，”但是，有了新的設備，這些離子就會以動態，持續的過程被泵入和泵出晶格。研究人員可以通過控制電壓來控制有多少“摻雜”離子進入或流出，并且已經證明了非常好的重復性和能效。

這個過程“非常類似于生物大腦突觸的工作方式。在那里，不使用質子，而是使用其他離子，例如鈣，鉀，鎂等，通過移動這些離子，實際上改變了突觸的抵抗力，這是學習的要素。” 在其裝置中的三氧化鎢中發生的過程類似于在生物突觸中發生的電阻調節。

“我們在這里展示的內容，”Alamo說，“即使它不是一種優化的設備，其電導率單位變化所產生的單位面積能耗也接近于大腦。” ，試圖用傳統的CMOS型半導體完成相同的任務將耗費一百萬倍的能量。

選擇用于演示新器件的材料是因為它們與當前的半導體制造系統兼容。但是它們包含限制設備耐熱性的聚合物材料，因此研究小組仍在尋找設備質子傳導膜的其他變化以及為長期運行而封裝氫源的更好方法。

在該設備的材料級別上，有很多基礎研究要做。 正在進行的研究將包括“如何將這些器件與現有的CMOS晶體管集成的工作”。所有這一切都需要時間，而且它提供了巨大的創新機會，也為我們的學生發展職業提供了巨大的機會。