來自美國西北大學、波士頓學院和麻省理工學院（MIT）的研究團隊利用人腦的複雜工作原理，創造出了一種創新型突觸電晶體。這種先進的裝置不僅能處理資訊，還能儲存資訊，與人腦的多功能性如出一轍。研究小組最近的實驗表明，這種電晶體不僅能完成簡單的機器學習任務，還能對資料進行分類，並能進行聯想學習。
研究人員開發出一種新型突觸電晶體，可模仿人腦的綜合處理和記憶能力。這種器件可在室溫下工作，具有高能效，並能執行聯想學習等複雜的認知任務，是人工智慧領域的一大進步。圖片來源：Xiaodong Yan/美國西北大學
儘管之前的研究利用類似的策略開發出了類腦計算裝置，但這些電晶體無法在低溫環境下工作。相比之下，新裝置在室溫下也能穩定執行。它的執行速度也很快，能耗極低，即使斷電也能保留儲存的資訊，因此非常適合實際應用。
這項研究最近發表在《自然》雜誌上。
模仿大腦的效率
"在數字計算機中，資料在微處理器和記憶體之間來回移動，這會消耗大量能量，並在嘗試同時執行多項任務時造成瓶頸。另一方面，在大腦中，記憶體和資訊處理位於同一位置並完全整合，因此能效要高出幾個數量級。我們的突觸電晶體同樣實現了同時記憶和資訊處理的功能，從而更忠實地模擬了大腦"。西北大學的馬克-赫薩姆（Mark C. Hersam）表示，他是這項研究的共同負責人。
赫薩姆是西北大學麥考密克工程學院材料科學與工程系沃爾特-墨菲（Walter P. Murphy）教授。他還是材料科學與工程系主任、材料研究科學與工程中心主任和國際奈米技術研究所成員。Hersam 與波士頓學院的 Qiong Ma 和麻省理工學院的 Pablo Jarillo-Herrero 共同領導了這項研究。
發展背後的驅動力
人工智慧（AI）的最新進展促使研究人員開發出更像人腦一樣執行的計算機。傳統的數字計算系統擁有獨立的處理和儲存單元，導致資料密集型任務消耗大量能源。隨著智慧裝置不斷收集大量資料，研究人員正努力尋找新的方法來處理這些資料，同時又不會消耗越來越多的電能。目前，憶阻器（或稱"memristor"）是最先進的技術，可以同時執行處理和儲存功能。但是，憶阻器仍然存在開關能耗高的問題。
"幾十年來，電子技術的模式一直是用晶體管制造一切，並使用相同的矽架構，"赫薩姆說。"透過在積體電路中整合越來越多的電晶體，我們已經取得了長足的進步。不能否認這一戰略的成功，但它是以高能耗為代價的，尤其是在當前的大資料時代，數字計算正朝著壓倒電網的方向發展。我們必須重新思考計算硬體，尤其是人工智慧和機器學習任務。"
使用摩爾紋的創新設計
為了重新思考這一正規化，赫薩姆和他的團隊探索了摩爾紋物理學的新進展。摩爾紋是一種幾何設計，當兩個圖案相互疊加時就會出現。當二維材料堆疊在一起時，就會產生單層材料所不具備的新特性。當這些層被扭曲形成摩爾紋圖案時，電子特性前所未有的可調諧性就成為可能。
在新裝置中，研究人員結合了兩種不同型別的原子薄材料：雙層石墨烯和六方氮化硼。這兩種材料堆疊在一起並有意扭曲時，會形成摩爾紋。透過相對旋轉一層，研究人員可以在每層石墨烯中實現不同的電子特性，即使它們之間只有原子尺度的距離。透過正確選擇扭曲方式，研究人員利用摩爾紋物理學在室溫下實現了神經形態功能。
赫薩姆說："有了扭曲這個新的設計引數，就有了大量的排列組合。石墨烯和六方氮化硼在結構上非常相似，但又有足夠的不同，因此能產生異常強烈的摩爾紋效應。"
先進的功能和測試
為了測試這種電晶體，赫薩姆和他的團隊訓練它識別相似但不完全相同的圖案。就在本月早些時候，赫薩姆推出了一種新型奈米電子裝置，能夠以節能的方式分析和分類資料，但他的新型突觸電晶體將機器學習和人工智慧又向前推進了一步。
赫薩姆說："如果人工智慧的目的是模仿人類的思維，那麼最低階的任務之一就是對資料進行分類，也就是簡單的分門別類。我們的目標是推動人工智慧技術向更高層次的思維方向發展。現實世界的條件往往比當前的人工智慧演算法所能處理的更為複雜，因此我們在更為複雜的條件下測試了我們的新裝置，以驗證其先進的能力。"
首先，研究人員向裝置展示了一種模式：000（連續三個零）。然後，他們要求人工智慧識別類似的圖案，如 111 或 101。赫薩姆解釋說："如果我們訓練它檢測出 000，然後給它 111 和 101，它就會知道 111 比 101 更類似於 000。000和111並不完全相同，但都是連續的三位數字。識別這種相似性是一種更高層次的認知形式，被稱為聯想學習"。
在實驗中，這種新型突觸電晶體成功識別了類似的圖案，展示了它的聯想記憶能力。即使研究人員丟擲了難題--比如給它不完整的圖案--它仍然成功地展示了聯想學習能力。
目前的人工智慧很容易被混淆，這在某些情況下會造成重大問題。想象一下，如果你正在使用一輛自動駕駛汽車，而天氣狀況卻在惡化。車輛可能無法像人類駕駛員那樣很好地解讀更復雜的感測器資料。但即使我們給電晶體提供了不完美的輸入，它仍然可以識別出正確的反應。
編譯來源：ScitechDaily
