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元。在任何特定的時刻，單個神經元可以通過突觸（即神經元之間的空間，突觸中可交換神經遞質）傳遞指令給數以千計的其它神經元。

人腦中有總計超過 100 萬億的突觸介導大腦中的神經元信號，在加強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），記住事實并執行其它學習任務。

最近，麻省理工（MIT）的工程師設計了一種人造突觸，可以實現精確控制流過這種突觸的電流強度，即類似離子在神經元之間的流動。

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

該團隊已經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，研究人員發現該芯片及其突觸可以識別手寫樣本，其識別準確率達到 95%。

研究發表在《Nature Materials》上，這一成果也被認為是邁向用于模式識別和其它學習任務的便攜式低功耗神經形態芯片的重要一步。

一直以來，神經形態計算領域的研究人員都希望能將人腦的能力“復制”到計算機芯片。這樣的基于人腦的芯片與現在基于二進制、開／關信號進行計算的數字芯片非常不同，其元件將以模擬的方式進行工作，通過交換梯度信號或權重信號來激活，非常類似神經元依靠流過突觸的離子種類和數量來激活。

通過這種方式，小型神經形態芯片可以像大腦一樣有效地處理數以百萬計的并行計算流，而目前，只有大型超級計算機才有可能實現這種并行計算。這種便攜式人工智能技術目前主要的障礙便是神經突觸，這在硬件上實在難以實現。

大多數的神經形態芯片設計均試圖模仿神經元之間的突觸連接，該連接通過“切換媒介”或類突觸空間隔離的兩個導電層實現。當施加電壓時，離子在開關介質中移動形成導電絲，類似突觸的權重將會改變。

但是，現有設計卻很難控制離子的流動。設計者之一 Kim 說，由于大多數由非晶材料制成的開關介質中離子通過的路徑有無限種可能，現有的開關接口包含多條路徑，因此難以預測離子究竟走哪一條路。

這一點就像機械街機游戲 Pachinko，通過一系列的引腳和杠杠將小鋼珠向下引導或轉移使小球離開機器。

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元（傳輸）的某些數據，那么你必須能實現擦除并以完全相同的方式再寫。但在非晶態固體中，當你再次寫入時，因為固體中的許多缺陷，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。這就是現在面對的最大的挑戰——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，使離子能夠按照預計路線沿著位錯或缺陷流動。

為了實現這一目標，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 發現，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形態芯片，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。

他們還多次重復測試了一個突觸。在循環施加相同的 700V 電壓后發現，每次突觸都表現出相同的電流，循環之間的差異只有 1%。

Kim 說：“這是我們目前能達到重復性最高的裝置，這個裝置也是展示人工神經網絡的關鍵。”

團隊最后的測試是探索如何執行實際的學習任務，比如如何識別手寫樣本。研究人員認為，這是神經形態芯片的首次實際測試。該芯片由輸入／隱藏／輸出神經元組成，每個神經元經由基于細絲的人造突觸連接到其他神經元。

科學家認為，這樣的神經元網絡堆棧可以用來學習。例如，當輸入為一個手寫的 1，輸出則標記為 1，某些輸出神經元將被輸入神經元和人造突觸的權重所激活。當更多手寫的 1 被輸入到同一個芯片時，當它們感覺到不同樣本的同一個字母的相似特征后，相同的輸出神經可能會被激活，從而類似大腦的學習方式。

研究團隊還運行了基于此芯片的人工神經網絡計算機仿真模擬。他們以常用的手寫識別數據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，他們發現，這一神經網絡硬件系統的識別精度為 95%，而現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的一個新趨勢再添一把火，那就是計算能力從云端向終端遷移。目前我們看到的大多數AI計算，基本是在云端實現的，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，由云端完成計算才能獲得處理結果，現實風險是很大的。

因此，終端的計算能力對 AI 的重要性已經得到了學界和業界的共同認可，終端計算性能的提升也成為了萬眾追逐的目標。一個更明顯的例子是 AI 手機。作為與個人生活場景的全天候連接的智能設備，AI 手機對于在終端運行 AI 計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，作為移動設備，AI 手機所能攜帶的計算資源有限。

Kim團隊成果的重要價值正體現在這里。他們的人造突觸設計能實現更小體積的便攜式神經網絡設備，這些便攜式神經網絡設備未來將可以完成目前只有大型超級計算機能完成的復雜計算。

現在，該團隊正在制造一個能真正執行手寫識別任務的神經形態芯片。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算機。而他們的人造突觸這一發現為實現神經網絡硬件化打下了堅實的基礎。