当谈到处理能力时，人类的大脑是无法被击败的。在人类大脑这个柔软的、足球大小的器官里，大约有1000亿个神经元。在任何一个特定的时刻，一个神经元可以通过突触（神经元之间的空间）将指令传递给成千上万的其他神经元，如此实现神经递质交换。大脑中有超过100兆的突触可以调节神经元信号，加强一些连接，同时修剪其他的神经元，在这个过程中，大脑能够识别模式、记住事实、并以闪电般的速度完成其他学习任务。

“神经形态计算”这个新兴领域的研究人员曾试图设计出像人脑一样工作的计算机芯片。不同于今天的数字芯片，需在二进制、开/关信号的基础上进行计算，“芯片上的大脑”的元件将以模拟的方式进行工作，通过交换梯度信号或者“权重”信号来激活，很像神经元根据穿过突触的离子种类和数量来激活。

通过这种方式，小小的神经形态芯片可以像大脑一样，有效地处理数以百万计的并行计算流，而目前只有大型的超级计算机才能实现这些并行计算。但是实现这种便携式人工智能的一个重要障碍是神经突触，这在硬件上很难再现。

现在麻省理工学院（MIT）的工程师们设计出了一种人工神经突触，可以精确控制电流穿过时的强度，就像神经元之间的离子流动一样。该团队已经用硅锗制造了一种带有人工神经突触的小芯片。在模拟实验中，研究人员发现该芯片和它的突触可以用来识别笔迹的样本，准确率达到95%。该成果已发表在《自然材料》（Nature Materials）杂志，是研制便携式、低功耗神经形态芯片的重要一步，用于模式识别和其他学习任务中。

Jeehwan Kim是这项研究的领头人，其他合作者包括来自麻省理工学院的Shinhyun Choi(第一作者)、Scott Tan(共同第一作者)、李泽凡（Zefan Li）、Yunjo Kim、Chanyeol Choi和Hanwool Yeon，以及亚利桑那州立大学的陈柏宇（Pai-Yu Chen）和余世盟（Shimeng Yu）。

大多数神经形态芯片设计试图模拟神经元之间的突触连接，使用由一个“开关介质”或类似于突触一样的空间分隔开的两个传导层。当对突触施加电压时，离子应该在开关介质中移动，以产生导电纤维，这类似于突触“权重”信号的变化过程。

但是在现有的设计中很难控制离子的流动。Kim称，这是因为大多数由非晶态材料制成的开关介质有无限的可能路径，离子通过这些路径流动——有点像机械街机游戏弹球盘（Pachinko），通过一系列的引脚和杠杆将小钢球转移或引导使小球离开机器。

就像弹球盘一样，现有的开关介质包含多种路径，因此难以预测离子会通过哪条路径。Kim称，这可能会给突触的性能带来不必要的不均匀性。

Kim表示，一旦你用一些施加的电压来代表人工神经元的某些数据，你必须能够清除掉，并且以同样的方式重新写出来。但在非晶固体中，当你再写的时候，因为固体中的很多缺陷，离子会向不同的方向移动。整个离子流随时在改变，很难控制。这就是所面临的最大问题——人工神经突触的不均匀性。

Kim和他的同事们并没有使用非晶态材料制造人工神经突触，而是将目光投向了单晶硅——一种由原子有序排列的无缺陷导电材料。该团队试图用单晶硅来制造精确的一维线缺陷或位错，使离子可以按照预计的路线流动。

为此，研究人员开始使用硅晶圆——类似于显微镜下的一种细丝网模式。然后，他们又在硅片上形成了类似的硅锗的模式，硅锗是一种常用于晶体管的材料。由于硅锗的晶格比硅的稍大一些，Kim发现，这两种晶格完全不匹配的材料会形成漏斗状的位错，最后形成离子流的单一路径。

研究人员制作了一种由硅锗制成的人工神经突触组成的神经形态芯片，每个突触的直径约为25纳米。当他们对每个突触施加电压时，发现所有的突触都显示出几乎相同的电流或离子流，突触之间的差异约为4%，与由非晶质材料制成的突触相比，其性能表现更为一致。他们还在多次试验中测试了同一个突触，在循环施加相同的700V电压后发现，突触显示出相同的电流，各个循环之间的差异只有1%。Kim说：“这是我们能达到的最统一的设备，这个设备也是展示人工神经网络的关键。”

Kim团队最后的测试是探索它的设备在执行实际学习任务时的表现，特别是识别手写样本，研究人员认为这是对神经形态芯片的第一个实际测试。该芯片由“输入/隐藏/输出神经元”组成，每个神经元通过基于丝状的人工神经突触连接到其他“神经元”。

科学家们认为，这种成堆的神经网络可以被用来“学习”。例如，当输入一个手写的“1”时，输出的结果标记为“1”，某些输出神经元将被输入神经元和人工神经突触的权重所激活。当更多手写的“1”被输入到同一个芯片上时，当它们感应到同一个字母的不同样本之间的相似特征时，相同的输出神经元可能会被激活，这样就会像大脑的学习方式一样“学习”。

Kim和他的同事们对一个人工神经网络进行了计算机仿真模拟，该人工神经网络由通过两层人工神经突触连接的三层神经层组成，其特性根据他们实际的神经形态芯片进行测量。他们在一个手写的识别数据集（神经形态设计师常用的）里输入了成千上万个样本，并发现他们的神经网络硬件识别出了95%的手写样本，而现有的软件算法的准确率为97%。

该团队正在制作一个可以在现实中（而不是在模拟中）执行手写识别任务的神经形态芯片。除了手写识别之外，Kim 表示，其团队设计的人工神经突触将使更小的便携式神经网络设备能够执行复杂的计算——目前只有大型超级计算机才能实现。

Kim表示，最终我们想要一个像指甲一样大的芯片来取代一个大型超级计算机。而他们的人工突触为制成真正的人工神经网络硬件奠定了基础。