新型人工神經元再現真實大腦化學機制，為更智能AI硬件設計鋪路

這項設計將每個神經元集成到單個晶體管中，這一飛躍性突破有望使未來AI硬件體積更小、速度更快、能效更高。

南加州大學維特比工程學院與先進計算學院的研究團隊成功構建出能在物理層面真實再現腦細胞電化學活動的人工神經元。這項研究標志著我們向更高能效的類腦硬件邁出重要一步，此類硬件未來或可支撐人工通用智能的發展。

與現有通過數字模擬大腦活動的神經形態芯片不同，南加州大學研發的新型神經元運用真實的化學與電學過程進行計算。換言之，它們不僅模擬大腦運行機制，其運作方式更接近真實的腦細胞。

這項研究由南加州大學計算機與電子工程學教授、神經形態計算卓越中心主任Joshua Yang領導。Yang及其團隊基于他們提出的“擴散憶阻器”開發出新型人工神經元。與傳統硅芯片利用電子運動不同，這些神經元依靠原子運動來處理信息。

在人腦結構中，神經元通過電信號和化學信號協同傳遞信息。當電信號抵達神經元末端的突觸時，會轉化為化學信號向下一個神經元傳遞信息，完成跨越后再次恢復為電信號。Yang團隊如今利用氧化物中的銀離子成功重現了這一過程。

“雖然人工突觸和神經元中使用的離子種類與生物系統不盡相同，但調控離子運動的物理機制與動力學過程極為相似。”Yang解釋道。他進一步指出：“銀離子具備良好的擴散特性，能提供模擬生物系統所需的動力學行為，使我們能夠以極簡結構實現神經元功能。”

這種被稱為“擴散憶阻器”的設計，使每個人工神經元僅需占據單個晶體管的尺寸，而傳統設計往往需要數十甚至數百個晶體管。Yang表示團隊選擇離子動力學模擬是因為“這正是人腦的運行機制 —— 作為進化史上的優勝者，人腦本身就是最高效的智能引擎”。

能效是核心關鍵

Yang指出當前計算系統的主要問題并非算力不足，而是能效低下。“并非現有芯片或計算機算力不足，癥結在于能效過低，能耗過大。”他解釋說。現代計算機專為海量數據處理設計，無法像人類那樣通過少量樣本進行學習。“提升能量效率與學習效率的途徑之一，就是構建遵循大腦運作原理的人工系統。”

他認為離子可能是實現這一目標的關鍵：“離子是比電子更理想的腦原理載體。因為電子質量輕、狀態不穩定，基于電子的計算更適合軟件學習而非硬件學習。”

邁向人工通用智能之路

人腦僅需見過某物數次就能學會識別，整個過程消耗能量約20瓦。相比之下，當今AI系統和超級計算機完成類似任務需要消耗巨大能量。Yang團隊希望他們開發的原子驅動神經元能縮小這一差距。“通過這項創新，每個神經元僅需單個晶體管的占地空間。”他介紹說。

目前使用的銀材料與標準半導體工藝不兼容，研究團隊計劃探索其他具有相似性能的離子材料。在成功研發出緊湊高效的人工神經元后，南加州大學研究團隊的下一步任務是構建大規模神經元網絡，測試其與大腦學習能力的接近程度。Yang表示，這個過程也將幫助科學家更深入地理解大腦的運行機制。

該項研究成果已登上《自然·電子學》期刊。

如果朋友們喜歡，敬請關注“知新了了”！