麻省理工学院的工程师们设计了一种比纸屑还小的“脑芯片(brain-on-a-chip)”，它由成千上万个人工大脑突触(称为忆阻器)组成。忆阻器【记忆电阻器】是一种硅基元件，可以模拟人类大脑中的信息传递突触。它是一种很有前途的神经形态设备的新型记忆电阻设计——基于一种新型电路的电子产品，这种电路以一种模仿大脑神经结构的方式处理信息。这种受大脑启发的电路可以被植入小型便携设备中，并执行只有今天超级计算机才能处理的复杂计算任务。

研究人员借鉴了冶金原理，用银、铜和硅的合金制造了每一个忆阻器。当他们让芯片执行几项视觉任务时，芯片能够“记住”存储的图像并多次复制它们，与使用非合金元素制成的现有忆阻器设计相比，该版本忆阻器更清晰。

一种新的神经形态“脑芯片(brain-on-a-chip)”的视图，其中包括成千上万个忆阻器或存储晶体管。图片来源：PengLin

研究人员表示：“到目前为止，人工突触网络以软件的形式存在。我们正试图为便携式人工智能系统构建真正的神经网络硬件。想象一下，把一个神经形态设备和你车上的摄像头连接起来，让它识别灯光和物体，并立即做出决定，而不需要连接互联网。我们希望使用高效节能的忆阻器在现场实时完成这些任务。”

游离的离子

记忆电阻器，或记忆晶体管，是神经形态计算的基本元素。在一个神经形态装置中，记忆电阻器将充当电路中的晶体管，尽管它的工作原理更接近于大脑的突触【两个神经元之间的连接】。突触以离子形式从一个神经元接收信号，并向下一个神经元发送相应的信号。

常规电路中的晶体管通过仅在两个值0和1之间切换来传输信息，并且仅当其接收到的电流形式的信号具有特定强度时才这样做。相比之下，忆阻器将沿着梯度工作，就像大脑中的突触一样。它产生的信号将根据接收到的信号的强度而变化。这将使单个忆阻器具有多个值，因此比二进制晶体管执行的操作范围要大得多。

这种新芯片(左上)有数以万计的由银铜合金制成的人工突触或“记忆电阻器”。当每个忆阻器都被对应于灰度图像中的像素和阴影的特定电压刺激时，新芯片就复制出了同样清晰的图像，比使用不同材料的忆阻器制造的芯片更可靠。图片由研究人员提供

就像大脑的突触一样，记忆电阻器也能够“记住”与给定电流强度相关的值，并在下次接收到类似电流时产生完全相同的信号。这可以确保对复杂方程式或对象的视觉分类的答案是可靠的。

最终，科学家们设想，忆阻器将比传统晶体管需要更少的芯片空间，从而使功能强大的便携式计算设备成为可能，这些设备不依赖于超级计算机，甚至不需要连接互联网。

然而，现有的记忆电阻器设计在性能上受到限制。单个记忆电阻器由正负两个电极组成，两个电极之间由一个“开关介质”或电极之间的空间隔开。当一个电压被施加到一个电极上，来自那个电极的离子流过介质，形成一个“传导通道”到另一个电极。接收到的离子构成忆阻器通过电路传送的电信号。离子通道的大小(以及忆阻器最终产生的信号)应该与刺激电压的强度成正比。

由麻省理工学院制造的新型“脑芯片”处理的一张图像，包括锐化和模糊图像，这比现有的神经形态设计更加可靠。图片由研究人员提供

研究人员表示，现有的忆阻器设计在电压刺激较大的导电通道或离子从一个电极到另一个电极的大量流动的情况下效果很好。但是，当忆阻器需要通过更细的传导通道产生更细微的信号时，这些设计的可靠性就会降低。

导电通道越细，离子从一个电极到另一电极的流动越轻，单个离子就越难保持在一起。相反，它们往往会游离于群体之外，在媒体中解散。因此，当受到一定范围的低电流刺激时，接收电极很难可靠地捕获相同数量的离子，从而传输相同的信号。

借用冶金学原理

研究小组通过借鉴冶金学的技术找到了一种解决这一局限的方法。冶金学是一门将金属熔化成合金并研究其复合性能的学科。

传统上，冶金专家试图将不同的原子添加到块状基质中以增强材料。研究人员从中得到启发，为什么不调整忆阻器中的原子相互作用，并添加一些合金元素来控制离子在介质中的运动？

工程师通常使用银作为忆阻器正极的材料。研究小组仔细研究了文献，发现了一种可以与银结合的元素，可以有效地将银离子结合在一起，同时允许它们快速流到另一个电极。

研究小组将铜作为理想的合金元素，因为它既可以与银结合，也可以与硅结合。

为了使用他们的新合金制造记忆电阻器，该小组首先用硅制造负极，然后通过沉积少量的铜和一层银来制造一个正极。他们将两个电极夹在非晶态硅介质周围。通过这种方法，他们制作了一个带有成千上万个记忆电阻器的一平方毫米的硅片。

该团队还让芯片进行了一项图像处理任务，对忆阻器进行编程以改变图像，包括锐化和模糊原始图像。他们的设计比现有记忆电阻器设计得到了更可靠重新编程的图像。

与其他材料制成的芯片相比，这种芯片可以产生防护罩同样清晰的图像，并且能够“记住”图像并多次复制它。

研究人员表示：“我们正在使用人工突触进行真实的推理测试，我们希望进一步开发该技术，使其具有更大规模的阵列来执行图像识别任务。希望有一天，我们可以将它作为人造大脑来执行这些任务，而无需连接到超级计算机，互联网或云。”

参考

Alloying conducting channels for reliable neuromorphic computing

scitechdaily

版权声明：Rose编译

文章仅用于学术交流，不用于商业行为，

若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

脑电数据处理分析教程汇总(eeglab, mne-python)

美国脑机接口技术研究及应用进展

【思维导图】利用LSTM(长短期记忆网络)来处理脑电数据

人工神网络来解码皮质电图(ECoG)数据

使用脑电图慢皮层电位重建3D空间中的手，肘和肩的实际和想象的轨迹

Hinton：我终于想明白大脑怎么工作了！神经学家花三十年，寻找反向传播的生物机制

清华大学微纳脑机接口与机器人实验室：微纳系统机械设计研发工程师招聘

研究人员利用脑电ErrP信号实时控制机器人

华中科技大学研究团队揭示了基于EEG的脑机接口中的安全性问题

脑电波：Alpha, Beta, Theta, Delta

你的每一次在看，我都很在意！