一種以神經元為模型的超導計算芯片，能比人腦更高效快速地加工處理信息。近日刊登于《科學進展》的新成果，或許將成為科學家們開發先進計算設備來設計模仿生物系統的一項主要基準。盡管在其商用之前還存在許多障礙，但這項研究為更多自然機器學習軟件打開了一扇大門。

當下，人工智能軟件越來越多地開始模仿人類大腦。而諸如谷歌公司的自動圖像分類和語言學習程序等算法也能夠利用人工神經元網絡執行復雜的任務。但因為常規的計算機軟件不能被設計運行類似大腦的算法，因此相比人類大腦而言，這些機器學習就需要更高的運算能力。

“肯定會有更好的方法來做這些，因為大自然都能夠找到更好的辦法?！痹撗芯亢献髡?、美國國家標準與技術研究所（NIST）物理學家Michael Schneider表示。

NIST是若干希望開發出能夠模擬人類大腦的神經形態硬件，同時希望這種神經形態硬件能更有效地運行大腦樣軟件的團隊之一。在常規的電子系統中，晶體管常常會以一定的間隔和精確的數量處理信息（二進制數字0或1）。但神經形態硬件則能夠從多個來源積累少量信息，并且改變這些信息使其產生一種不同類型的信號，并在需要的時候發射一股電流，就好像神經元放電那樣。因此這種神經形態硬件需要更少的能量運行。

然而這些設備至今還是無效的，尤其當晶體管需要跨越間隙或突觸來傳遞信息時，因此，Schneider團隊利用鈮超導體制造出了神經元樣的電極，其可以在無阻力的情況下進行導電。隨后，研究人員利用數千個磁性錳納米晶簇填補超導體的空隙。

通過改變突觸中磁場的數量，這些納米晶簇就可以在不同方向上對齊。這就能讓該系統在電力水平和磁性方向上對信息進行編碼，從而賦予該系統比其他神經形態系統更強大的計算能力，同時不會占據額外的物理空間。

這些突觸每秒可以放電10億次，比人類神經元的速度快幾個數量級，同時該系統消耗的能量僅為生物性突觸的萬分之一。在計算機模擬過程中，在傳遞到下一個電極之前，合成神經元就能通過最多9個來源核對輸入信息。但當基于該技術的系統用于復雜計算之前，需要成千上萬個突觸，Schneider表示，是否能夠擴大到這個水平還有待進一步研究分析。

另外一個問題是，該突觸只能在接近絕對零度的溫度下運行，同時需要用液氮來冷卻。英國曼徹斯特大學計算機工程師Steven Furber指出，這可能就會使芯片在小型設備中變得不實用，盡管大型數據中心可能能夠對其進行維護。但Schneider表示，相比操作一個具有相當數量計算能力的傳統電子系統而言，對該設備進行冷卻或許需要更少能源。

美國加州理工學院電氣工程師Carver Mead贊揚了這項研究，并將其稱之為神經形態計算的新方法?！澳壳霸谠擃I域中充滿了炒作，我們很高興能夠看到精細工作能以客觀的方式呈現出來?！彼f，但在芯片真正用于計算領域之前或許還需要一段很長的時間，而且，目前還存在來自許多其他神經形態計算設備的激烈競爭和挑戰。

Furber還強調，這種新型設備的實際應用前景非常廣闊。“這種設備技術也非常有趣，但如今我們還不能充分了解這些生物突觸的關鍵特性，也并不知道如何更加有效地利用它們?！彼f，例如，目前人們仍有許多問題需要解決，即當記憶形成過程中這些突觸如何重塑自己？這就使得研究人員很難在記憶存儲芯片中重建這個過程。

盡管如此，Furber表示，一種新型計算設備進入市場需要10年甚至更長時間，即便神經科學家很難理解人類大腦，但他們非常有必要開發出盡可能多的不同的技術手段。