麻省理工学院“类脑芯片”最新突破：人造突触问世，可将人脑能力“复制”到芯片

人脑最不可取代的便是其综合处理的能力。人脑被柔软的球状器官所包围，这个器官大约含有一千亿个神经元。在任何特定的时刻，单个神经元可以通过突触(即神经元之间的空间，突触中可交换神经递质)传递指令给数以千计的其它神经元。

人脑中有总计超过 100 万亿的突触介导大脑中的神经元信号，在加强一些信号的同时也削弱一些其它信号，使大脑能够以闪电般的速度识别模式(pattern)，记住事实并执行其它学习任务。

最近，麻省理工(MIT)的工程师设计了一种人造突触，可以实现精确控制流过这种突触的电流强度，即类似离子在神经元之间的流动。

图 | 从左至右：MIT 研究员 Scott H. Tan，Jeehwan Kim，和 Shinhyun Choi。

该团队已经制造了一个由硅锗制成的人造突触小芯片。在模拟仿真过程中，研究人员发现该芯片及其突触可以识别手写样本，其识别准确率达到 95%。

研究发表在《Nature Materials》上，这一成果也被认为是迈向用于模式识别和其它学习任务的便携式低功耗神经形态芯片的重要一步。

一直以来，神经形态计算领域的研究人员都希望能将人脑的能力“复制”到计算机芯片。这样的基于人脑的芯片与现在基于二进制、开/关信号进行计算的数字芯片非常不同，其元件将以模拟的方式进行工作，通过交换梯度信号或权重信号来激活，非常类似神经元依靠流过突触的离子种类和数量来激活。

通过这种方式，小型神经形态芯片可以像大脑一样有效地处理数以百万计的并行计算流，而目前，只有大型超级计算机才有可能实现这种并行计算。这种便携式人工智能技术目前主要的障碍便是神经突触，这在硬件上实在难以实现。

大多数的神经形态芯片设计均试图模仿神经元之间的突触连接，该连接通过“切换媒介”或类突触空间隔离的两个导电层实现。当施加电压时，离子在开关介质中移动形成导电丝，类似突触的权重将会改变。

但是，现有设计却很难控制离子的流动。设计者之一 Kim 说，由于大多数由非晶材料制成的开关介质中离子通过的路径有无限种可能，现有的开关接口包含多条路径，因此难以预测离子究竟走哪一条路。

这一点就像机械街机游戏 Pachinko，通过一系列的引脚和杠杠将小钢珠向下引导或转移使小球离开机器。

图丨Jeehwan Kim教授

Kim 描述道：“一旦你用一些施加的电压来代表人造神经元(传输)的某些数据，那么你必须能实现擦除并以完全相同的方式再写。但在非晶态固体中，当你再次写入时，因为固体中的许多缺陷，离子会走向不同的方向。因此整个离子流随时在改变，并且不受控制。这就是现在面对的最大的挑战——人造突触的不均匀性。”

而 Kim 和他的同事们并没有使用非晶材料来制造人造突触，他们使用了单晶硅。单晶硅的原子顺序有序排列，内部并没有大量缺陷存在。因此，研究小组试图用单晶硅来制造精确的一维线缺陷或位错，使离子能够按照预计路线沿着位错或缺陷流动。

为了实现这一目标，研究人员从硅晶圆开始着手，先在硅晶圆上蚀刻上微观图案，然后再在硅上生长锗形成硅锗微观图案，硅锗材料也是常用于晶体管的材料。由于硅锗的晶格稍大于硅的晶格，Kim 发现，这两种晶格不匹配的材料能够形成漏斗状的位错，最终可以形成离子流单一流经路径。

因此，研究人员制造了一个由硅锗制成的人造突触组成的神经形态芯片，其中每个突触约 25 纳米。对每个突触施加电压时，所有突触都表现出几乎相同的电流/离子流，突触之间的差异约为 4%。与无定形材料制成的突触相比，其性能更为一致。

他们还多次重复测试了一个突触。在循环施加相同的 700次 电压后发现，每次突触都表现出相同的电流，循环之间的差异只有 1%。

Kim 说：“这是我们目前能达到重复性最高的装置，这个装置也是展示人工神经网络的关键。”

团队最后的测试是探索如何执行实际的学习任务，比如如何识别手写样本。研究人员认为，这是神经形态芯片的首次实际测试。该芯片由输入/隐藏/输出神经元组成，每个神经元经由基于细丝的人造突触连接到其他神经元。

科学家认为，这样的神经元网络堆栈可以用来学习。例如，当输入为一个手写的 1，输出则标记为 1，某些输出神经元将被输入神经元和人造突触的权重所激活。当更多手写的 1 被输入到同一个芯片时，当它们感觉到不同样本的同一个字母的相似特征后，相同的输出神经可能会被激活，从而类似大脑的学习方式。

研究团队还运行了基于此芯片的人工神经网络计算机仿真模拟。他们以常用的手写识别数据库中的样本作为仿真模拟测试的输入样品，在测试了成千上万个样本之后，他们发现，这一神经网络硬件系统的识别精度为 95%，而现有的软件算法精度为 97%。

值得注意的是，这次的成果有望为近年涌现的一个新趋势再添一把火，那就是计算能力从云端向终端迁移。目前我们看到的大多数AI计算，基本是在云端实现的，但是，这个方式正在日显疲软。拿自动驾驶为例，如果避险时AI必须将信息上传至云端，由云端完成计算才能获得处理结果，现实风险是很大的。

因此，终端的计算能力对 AI 的重要性已经得到了学界和业界的共同认可，终端计算性能的提升也成为了万众追逐的目标。一个更明显的例子是 AI 手机。作为与个人生活场景的全天候连接的智能设备，AI 手机对于在终端运行 AI 计算的需求正在变得更加多元化，例如语音、图像、视频处理等等。但是，作为移动设备，AI 手机所能携带的计算资源有限。

Kim 团队成果的重要价值正体现在这里。他们的人造突触设计能实现更小体积的便携式神经网络设备，这些便携式神经网络设备未来将可以完成目前只有大型超级计算机能完成的复杂计算。

现在，该团队正在制造一个能真正执行手写识别任务的神经形态芯片。Kim 表示，我们最终需要的是一个如同指甲般大小的芯片来代替一个大型超级计算机。而他们的人造突触这一发现为实现神经网络硬件化打下了坚实的基础。