創投前沿 | MIT，人工大腦突觸“腦芯片”
麻省理工學院的工程師們設計了一種比紙屑還小的“腦芯片(brain-on-a-chip)”，它由成千上萬個人工大腦突觸(稱爲憶阻器)組成。憶阻器【記憶電阻器】是一種硅基元件，可以模擬人類大腦中的信息傳遞突觸。它是一種很有前途的神經形態設備的新型記憶電阻設計——基於一種新型電路的電子產品，這種電路以一種模仿大腦神經結構的方式處理信息。這種受大腦啓發的電路可以被植入小型便攜設備中，並執行只有今天超級計算機才能處理的複雜計算任務。
研究人員借鑑了冶金原理，用銀、銅和硅的合金製造了每一個憶阻器。當他們讓芯片執行幾項視覺任務時，芯片能夠“記住”存儲的圖像並多次複製它們，與使用非合金元素製成的現有憶阻器設計相比，該版本憶阻器更清晰。
一種新的神經形態“腦芯片(brain-on-a-chip)”的視圖，其中包括成千上萬個憶阻器或存儲晶體管。圖片來源：PengLin
研究人員表示：“到目前爲止，人工突觸網絡以軟件的形式存在。我們正試圖爲便攜式人工智能系統構建真正的神經網絡硬件。想象一下，把一個神經形態設備和你車上的攝像頭連接起來，讓它識別燈光和物體，並立即做出決定，而不需要連接互聯網。我們希望使用高效節能的憶阻器在現場實時完成這些任務。”
遊離的離子
記憶電阻器，或記憶晶體管，是神經形態計算的基本元素。在一個神經形態裝置中，記憶電阻器將充當電路中的晶體管，儘管它的工作原理更接近於大腦的突觸【兩個神經元之間的連接】。突觸以離子形式從一個神經元接收信號，並向下一個神經元發送相應的信號。
常規電路中的晶體管通過僅在兩個值0和1之間切換來傳輸信息，並且僅當其接收到的電流形式的信號具有特定強度時才這樣做。相比之下，憶阻器將沿着梯度工作，就像大腦中的突觸一樣。它產生的信號將根據接收到的信號的強度而變化。這將使單個憶阻器具有多個值，因此比二進制晶體管執行的操作範圍要大得多。
這種新芯片(左上)有數以萬計的由銀銅合金製成的人工突觸或“記憶電阻器”。當每個憶阻器都被對應於灰度圖像中的像素和陰影的特定電壓刺激時，新芯片就複製出了同樣清晰的圖像，比使用不同材料的憶阻器製造的芯片更可靠。圖片由研究人員提供
就像大腦的突觸一樣，記憶電阻器也能夠“記住”與給定電流強度相關的值，並在下次接收到類似電流時產生完全相同的信號。這可以確保對複雜方程式或對象的視覺分類的答案是可靠的。
最終，科學家們設想，憶阻器將比傳統晶體管需要更少的芯片空間，從而使功能強大的便攜式計算設備成爲可能，這些設備不依賴於超級計算機，甚至不需要連接互聯網。
然而，現有的記憶電阻器設計在性能上受到限制。單個記憶電阻器由正負兩個電極組成，兩個電極之間由一個“開關介質”或電極之間的空間隔開。當一個電壓被施加到一個電極上，來自那個電極的離子流過介質，形成一個“傳導通道”到另一個電極。接收到的離子構成憶阻器通過電路傳送的電信號。離子通道的大小(以及憶阻器最終產生的信號)應該與刺激電壓的強度成正比。
由麻省理工學院製造的新型“腦芯片”處理的一張圖像，包括銳化和模糊圖像，這比現有的神經形態設計更加可靠。圖片由研究人員提供
研究人員表示，現有的憶阻器設計在電壓刺激較大的導電通道或離子從一個電極到另一個電極的大量流動的情況下效果很好。但是，當憶阻器需要通過更細的傳導通道產生更細微的信號時，這些設計的可靠性就會降低。
導電通道越細，離子從一個電極到另一電極的流動越輕，單個離子就越難保持在一起。相反，它們往往會遊離於羣體之外，在媒體中解散。因此，當受到一定範圍的低電流刺激時，接收電極很難可靠地捕獲相同數量的離子，從而傳輸相同的信號。
借用冶金學原理
研究小組通過借鑑冶金學的技術找到了一種解決這一侷限的方法。冶金學是一門將金屬熔化成合金並研究其複合性能的學科。
傳統上，冶金專家試圖將不同的原子添加到塊狀基質中以增強材料。研究人員從中得到啓發，爲什麼不調整憶阻器中的原子相互作用，並添加一些合金元素來控制離子在介質中的運動？
工程師通常使用銀作爲憶阻器正極的材料。研究小組仔細研究了文獻，發現了一種可以與銀結合的元素，可以有效地將銀離子結合在一起，同時允許它們快速流到另一個電極。
研究小組將銅作爲理想的合金元素，因爲它既可以與銀結合，也可以與硅結合。
爲了使用他們的新合金製造記憶電阻器，該小組首先用硅製造負極，然後通過沉積少量的銅和一層銀來製造一個正極。他們將兩個電極夾在非晶態硅介質周圍。通過這種方法，他們製作了一個帶有成千上萬個記憶電阻器的一平方毫米的硅片。
該團隊還讓芯片進行了一項圖像處理任務，對憶阻器進行編程以改變圖像，包括銳化和模糊原始圖像。他們的設計比現有記憶電阻器設計得到了更可靠重新編程的圖像。
與其他材料製成的芯片相比，這種芯片可以產生防護罩同樣清晰的圖像，並且能夠“記住”圖像並多次複製它。
研究人員表示：“我們正在使用人工突觸進行真實的推理測試，我們希望進一步開發該技術，使其具有更大規模的陣列來執行圖像識別任務。希望有一天，我們可以將它作爲人造大腦來執行這些任務，而無需連接到超級計算機，互聯網或雲。”
參考
Alloying conducting channels for reliable neuromorphic computing
scitechdaily
版權聲明：Rose編譯
文章僅用於學術交流，不用於商業行爲，
若有侵權及疑問，請後臺留言，管理員即時刪侵！
更多閱讀
腦電數據處理分析教程彙總(eeglab, mne-python)
美國腦機接口技術研究及應用進展
【思維導圖】利用LSTM(長短期記憶網絡)來處理腦電數據
人工神網絡來解碼皮質電圖(ECoG)數據
使用腦電圖慢皮層電位重建3D空間中的手，肘和肩的實際和想象的軌跡
Hinton：我終於想明白大腦怎麼工作了！神經學家花三十年，尋找反向傳播的生物機制
清華大學微納腦機接口與機器人實驗室：微納系統機械設計研發工程師招聘
研究人員利用腦電ErrP信號實時控制機器人
華中科技大學研究團隊揭示了基於EEG的腦機接口中的安全性問題
腦電波：Alpha, Beta, Theta, Delta
你的每一次在看，我都很在意！