人工神经元模仿下一代AI计算的复杂大脑能力

研究人员已经创造了原子薄的人工神经元，能够处理光和电信号以进行计算。该材料能够在神经网络中同时存在单独的前馈路径和反馈路径，从而提高解决复杂问题的能力。

几十年来，科学家们一直在研究如何重建生物神经元的多功能计算能力，以开发更快、更节能的机器学习系统。一种有前途的方法涉及忆阻器的使用：能够通过修改其电导来存储值的电子元件，然后将该值用于内存处理。

然而，使用忆阻器复制生物神经元和大脑的复杂过程的一个关键挑战是难以整合前馈和反馈神经元信号。这些机制支撑着我们利用奖励和错误来学习复杂任务的认知能力。

牛津大学，IBM欧洲研究院和德克萨斯大学的一组研究人员宣布了一项重要壮举：开发通过堆叠二维(2D)材料创建的原子薄人工神经元。研究结果已发表在Nature Nanotechnology上。

在这项研究中，研究人员通过使其对光学和电信号做出响应来扩展电子忆阻器的功能。这使得网络内同时存在单独的前馈路径和反馈路径。这一进步使团队能够创建赢家通吃的神经网络：具有解决机器学习复杂问题的潜力的计算学习程序，例如聚类和组合优化问题中的无监督学习。

2D材料仅由几层原子组成，这种精细尺度赋予它们各种奇特的特性，可以根据材料的分层方式进行微调。在这项研究中，研究人员使用三种2D材料 - 石墨烯，二硫化钼和二硫化钨 - 来创建一种设备，该设备根据照射在其上的光/电的功率和持续时间显示其电导的变化。

与数字存储设备不同，这些设备是模拟的，其操作类似于我们生物大脑中的突触和神经元。模拟功能允许计算，其中发送到设备的一系列电或光信号产生存储电子电荷量的逐渐变化。这个过程构成了神经元计算阈值模式的基础，类似于我们的大脑处理兴奋性和抑制性信号组合的方式。

主要作者，IBM欧洲研究院瑞士研究人员Ghazi Sarwat Syed博士说：“这是一个非常令人兴奋的发展。我们的研究引入了一种新的概念，它超越了当前人工神经网络中通常使用的固定前馈操作。除了在人工智能硬件中的潜在应用外，这些目前的原理验证结果还展示了神经形态工程和算法更广泛领域的重要科学进步，使我们能够更好地模拟和理解大脑。

Syed博士和Yingqiu Zhou博士(他们是牛津大学的DPhil学生和实验室同事)进行了实验工作。根据现任丹麦技术大学博士后研究员周博士的说法，它们的实现通过低维系统的光电物理学捕获了生物神经元的基本组成部分。

他们指出，我们通过异质结构堆栈的设计创造了原子上突然的半导体结。该堆栈专门提供充当神经元膜的异质结，而与异质结接触的石墨烯电极充当神经元体。通过这种方式，神经元状态在体细胞中表示，但被膜的变化所改变，就像在实际神经元中一样。

随着人工智能应用的发展呈指数级增长，所需的计算能力已经超过了基于传统处理器的新硬件的开发。迫切需要研究新技术，包括牛津大学高级纳米工程实验室和IBM苏黎世研究院实验室的共同主要作者Harish Bhaskaran教授的工作。

Bhaskaran教授说：“整个领域都非常令人兴奋，因为材料创新，设备创新以及如何创造性地应用它们的新见解都需要结合在一起。这项工作代表了一个新的工具包，探索2D材料的力量，不是晶体管，而是新颖的计算范式。

共同作者，德克萨斯大学奥斯汀分校的Jamie Warner教授说：“在计算中使用这种2D结构已经谈论了多年，但直到现在，我们才终于看到了七年多的开发后的回报。通过将晶圆级2D单层组装成复杂的超薄光电器件，这将能够开始使用基于工业可扩展制造方法的2D材料的新信息处理方法。

“我们的发现更多的是探索性的，而不是系统层面的实际演示，”赛义德博士说。“虽然我们的目标是在未来扩展这一概念，但我们相信，我们目前的原理验证结果证明了对神经形态工程更广泛领域的重要科学兴趣，使我们能够更好地模拟和理解大脑。

Bhaskaran教授指出，令人兴奋的研究发展对未来的创新很重要，但这不是人们在未来两年内应该期望的手机技术。