(文章来历:快点PCB)
数字超级核算机造价贵重且能耗巨大。即便如此,它们在处理人脑拿手的问题(如了解语音或辨认相片内容)时依然非常费劲。曩昔几年,虽然运用深度学习算法的人工神经网络取得了很大发展但一些核算机科学家以为,经过选用更接近于生物大脑的体系,他们能够做得更好,这便是神经形状(neuromorphic)核算,也被称为脑模仿。神经形状核算不仅能完结现在的核算机无法完结的使命,还能让咱们更清楚地了解人类回忆和认知的机理。不仅如此,假如研讨者们能够研宣布用模仿电路构建的这种机器,那么这种机器所需求的能耗将大大低于现在的核算机。
美国国家标准和技能研讨院(NIST)纳米科学和技能中心坐落于马里兰州盖瑟斯堡。该中心的项目主管、物理学家马克·斯太尔斯(Mark Stiles)说:“研讨神经形状核算的真实动力是能效,而现在依据CMOS的规划能效特别欠安。”模仿电路每次核算操作所耗费的能量比现在的互补金属氧化物半导体(CMOS)电路更少,因而能效更高。但另一方面,模仿电路对噪声很灵敏,而且现在规划和制作模仿电路的技能不如CMOS芯片先进。
日本仙台东北大学大野英男教授的纳米电子学和自旋电子学实验室致力于这种模仿电子元件的研讨。他们现已做出了一种可用作人工突触的器材,该器材的研发依据自旋电子学,即电子自旋发生磁性这一量子理论。他们研发的器材由一条钴/镍带组成,具有铁磁性,这意味着在其间自旋将悉数对齐。
然后把它和一条反铁磁性的铂锰合金带穿插,该材猜中相邻原子层里的电子自旋方向是彼此笔直的。在反铁磁性层上施加电流能影响其自旋方向,这又会导致向磁层中的自旋电子施加扭矩,然后将磁化程度从高向低切换。与数字体系不同,这种切换不限于0或1两种状况,而是能被细分,取决于所施加的电流量。
低于开关电流量的读取电流不会导致磁化切换,但输出电压取决于磁化水平。发送多个信号可导致自旋电子器材调整本身的阻抗,然后发生相似于加强或削弱神经元之间衔接的作用,就和大脑中的突触在构成回忆时相同,脑科学家把这个进程称为可塑性。参加本项目作业的大野实验室博士研讨生威廉·伯德斯(William Borders)说:“咱们在这个学习进程中宣布的信号越多—即在学习了解进程中添加或削减权重的次数越多,就越有机遇让体系记住咱们真实想让它做什么。经过练习体系把一种磁化形式与字母C相关联,另一种磁化形式与字母T相关联,然后体系将能经过丈量阻抗来再次辨认这些字母。”
不同于大野的研讨小组模仿单个突触,斯太尔斯的研讨小组正在依据自旋电子学模仿一组神经元和突触。他们的器材由两个被离隔的铁磁层组成。当电流流过结点时,它在资料的自旋电子上发生一个扭矩,这将发生磁化的非线性振动,然后发生电压振动。真实的神经元与这种非线性振动器有相似的行为,会宣布电脉冲并彼此同步。因而,自旋电子振动器能够模仿大脑中的活动。
另一种用模仿电路技能构建突触的办法是选用忆阻器,忆阻器是最近被发现的第四种根本电路元件。忆阻器中电流的活动会改动其电阻,然后使器材具有存储性。加州大学圣巴巴拉分校电气和核算机工程教授德米特里·斯特鲁科夫(Dmitri strukov)正在运用忆阻器来创立一个具有简化突触功用的多层感知器网络。他说:“生物网络要杂乱得多,例如,依据脉冲的发送机遇和形状进行信息编码,而咱们现在只能疏忽这一切。”
在学习阶段,用高电压调整忆阻器的状况;在推理阶段(例如测验将新的视觉形式与已学习过的形式进行匹配)则用较低的电压。斯特鲁科夫说,忆阻器是颇具远景的技能,由于有可能把它们做得很小,而且很简单堆叠,然后满意神经形状体系所要求的高密度性。但另一方面,制作它们的工艺进程还不行完善,现在还不能可靠地生产出数十亿个无缺的器材。
(责任编辑:fqj)