美国麻省理工为神经形态芯片设计和制造出锗硅人工突触，为便携式人工智能设备向前迈进提供重要台阶

美国麻省理工学院（MIT）的研究团队设计了一种人工突触，能够精确地控制流过它的电流强度，类似于离子在神经元之间流动的方式。研究人员已经实现了一个由锗硅制成的带有人工突触的小型芯片。在模拟仿真中发现，该芯片及其人工突触可以识别手写样本，准确率高达95%。研究成果已经发表在国际权威学术期刊《自然材料》杂志（Nature Materials）上。

研究背景

大脑中大约有1000亿个神经元。在任何时候，单个神经元都可以通过突触传递指令到数以千计的其他神经元，神经递质通过突触进行传递。大脑中有超过100万亿的突触负责调节神经元信号，这些突触会加强某些连接，同时抑制其他的连接，使大脑能够以闪电般的速度识别模式、记住事实并执行其他学习任务。

在“神经形态计算”这个新兴领域，研究人员试图设计出像人脑一样工作的计算机芯片。不同于现在的数字芯片基于二进制、0/1信号进行计算，“神经形态芯片”将以模拟方式工作，交换信号梯度或“权重”，非常类似于神经元根据流过突触的离子的类型和数量激发各种动作。

通过这种方式，小型神经形态芯片可以像大脑一样高效地处理数以百万计的并行计算流，而目前这种并行计算只有通过大型超级计算机才有可能实现。但是，在这种便携式人工智能设备的研究方法中，一个重要的难题就是神经突触，它在硬件上再现特别困难。

研究团队

本研究由麻省理工学院机械工程和材料科学与工程系助理教授Jeehwan Kim以及电子与微系统技术研究实验室的主要研究人员领导。成果研究来自麻省理工学院的Shinhyun Choi（第一作者），Scott Tan（共同第一作者），Zefan Li，Yunjo Kim，Chanyeol Choi和Hanwool Yeon以及亚利桑那州立大学的Pai-Yu Chen和Shimeng Yu。

图为麻省理工学院研究人员，从左至右依次是Scott H. Tan，Jeehwan Kim和Shinhyun Choi

研究挑战

大多数神经形态芯片的设计试图通过由“交换媒介”或类突触空间（synapse-like space）分隔的两个传导层，来模仿神经元之间的突触连接。当施加电压时，离子会在“交换媒介”中移动以形成导电细丝，与突触的“权重”变化过程类似。

但是在现有设计中控制离子的流动是很困难的。Kim表示，这是因为大多数的“交换媒介”由非晶材料制成，离子在其中的移动具有无限多种可能路径，有点像“弹球盘”——一种机械街机游戏，通过一系列销钉和杠杆将小钢球向下弹射，转移或引导小球离开机器。

像“弹球盘”一样，现有的“交换媒介”包含多条路径，这使得难以预测离子通过哪条路径。Kim表示，这种情况在突触中会导致突触性能的非均匀性。

Kim说：“一旦使用电压代表人工神经元的某些数据，就必须进行擦除，并能够以同样的方式再次写入。但是在非晶态固体中，当再次写入时，由于材料有许多缺陷，离子会向不同的方向移动。离子流是不断变化的，而且很难控制。这是面临最大的问题——人工突触的非均匀性。”

核心技术

Kim和他的同事们没有使用非晶材料制造人工突触，而是研究单晶硅，这是一种由连续有序排列的原子构成的无缺陷导电材料。研究团队试图通过预测离子在单晶硅中可能移动方向创建一种精确的一维线缺陷或错位。

为了做到这一点，研究人员开始使用硅晶圆。然后，他们在硅晶圆的顶端生长出类似锗硅的材料，这种锗硅也是一种常用于晶体管的材料。锗硅的晶格稍大于硅的晶格，Kim发现，这两种完全不匹配的材料可以形成漏斗状的位错，创建了可以让离子移动的单一路径。

研究人员制造出一个神经形态芯片，该芯片由锗硅材料制成的人工突触构成，每个突触长约25纳米，他们对每个突触施加电压，发现所有突触都表现出差不多相同的电流或离子流，突触之间的差异大约为4％。与由非晶材料制成的突触相比，由锗硅材料制成的人工突触性能一致性明显好的多。

研究人员还通过多次试验测试了同一个突触，在700次循环试验中施加相同的电压，发现突触表现出相同的电流，每次循环之间仅有1%的变化。

重要意义

该研究成果是通向人工神经网络的关键，是迈向构建用于模式识别和其他学习任务的便携式、低功耗神经形态芯片的重要一步。

应用测试

在最后的测试中，研究团队探索了神经形态芯片如何执行实际的学习任务——如何识别手写样本，研究人员认为这是神经形态芯片的第一次实际测试。该芯片将由“输入/隐藏/输出神经元”组成，每个神经元通过基于导电细丝的人工突触连接到其他神经元。

研究团队构建了一个人工神经网络并进行了计算机模拟仿真，该神经网络由三层神经层组成，神经层通过两层人造突触相连，这些神经层的特性是基于真实神经形态芯片的测量结果。研究人员向人工神经网络输入了神经形态芯片设计人员常用的手写识别数据集，模拟了成千上万个样本，结果发现他们研发的神经网络硬件可以在95%的时间内正确识别手写样本，而现有软件算法的准确度为97%。

预期目标

研究团队正在制造一个可以执行手写识别任务的神经形态芯片，不是在模拟情景下，而是在实际应用中运行。除了手写外，Kim还表示，该团队的人工突触设计将能够实现更小型化、便携式的神经网络设备，能够执行目前只有大型超级计算机才有可能进行的复杂计算。

Kim表示，最终他们需要一个像指甲一样大的芯片来代替一台大型超级计算机，这为生产真正的人工智能硬件提供了发展的“垫脚石”。

研究资助

这项研究得到了美国国家科学基金会的部分支持。

成果发表