Root 编译自 MIT News
量子位 出品 | 公众年夜众号 QbitAI
论通报信息的能力，打算机的二进制目前还比不上人脑。
由于大脑神经元之间通报的旗子暗记形式远多过0或1两种：根据突触（神经元之间的构造）间不同的神经递质，不同的浓度，下贱神经元可以拿到不一样的旗子暗记。
神经形态打算领域的研究职员希望，能找到一种造出类脑的芯片，可多层次地通报信息。一旦有了多层次的旗子暗记通报办法，那么很小的一块神经形态芯片就能匹敌现在的超算，绝不费力地并走运算海量数据。
前两天，MIT电子与微系统技能实验室的Jeehwan Kim教授在《自然》材料子刊揭橥了一篇论文，SiGe epitaxial memory for neuromorphic computing with reproducible high performance based on engineered dislocations。
MIT电子与微系统技能实验室的Jeehwan Kim教授
Kim教授和他的研究团队设计出一种材料为硅鍺的人工突触芯片，可以精确地掌握电流的强度，就像神经元可以定量开释多少神经递质一样。
论文中显示，这款人工突触芯片已经可以支持识别手写字体的机器学习算法，准确率达到95%。只管低于现有的芯片的基准表现97%，不过依然相称promising。
可以说，这篇文章的研究事情奠定了未来神经形态芯片的发展根本。
往后我们的移动设备，可能得靠这种芯片来支持图像识别和其他机器学习任务了。又考虑到移动设备有限的续航能力，这芯片不只要体积小，还得低耗才行。
能快速运算AI算法，便携，低耗是未来市场对这种芯片的根本哀求。
待办理的难题：太多条“路”可以走Kim教授说，现有的大部分神经形态芯片都考试测验模拟神经突触，将两个可导电的层用另一种纤维介质分别隔。由于所用的介质材料是非晶态的，电子可以朝所有可能的方向跑，像弹珠机一样。纵然人工突触的空间构造是模拟出来了，却无法精准掌握“递质开释的浓度”——电流的强度。
掌握不了电流的强度，那么所携带的信息也就复现不了。这便是人工突触芯片面临的最大难题，缺少信息通报的同等性。
完美的不匹配为理解决这个问题，Kim研究团队锁定了一种由连续排列的原子组成的无毛病导电材料，单晶硅。这样就可以准确预测电子的流动了。
后来进一步研究创造，硅锗的晶格稍大于硅的晶格，这两种完备不匹配的材料可以形成漏斗状的错位，反而能形成单一的离子流利路径。
这个由硅锗制成的人工突触芯片，每个“突触”间隙约25纳米。实验中对每个突触施加电压，创造所有突触都表现出差不多的电流，不同突触之间的差异大概为4％。与由非晶态的材料制成的“突触”比较，电流强度大小更可控。
对单个“突触”的700次重复施电压实验中，“突触”所输出的电流都是相同的，偏差均在1％。
Kim说：“这是我们目前能够达到的（电流强度）最同等的芯片了。”
对付提高未来人工神经网络性能来说，这事情迈出了很关键的一步。
识别手写数字的表现电流强度是掌握得不错了，那么和现有的冯诺依曼构造的芯片比，打算性能表现怎么样？
Kim团队给这种芯片支配了一个机器学习的任务：识别手写数字。
这是人工突触芯片的第一次实际测试。
例如，当一个输入是手写的“1”，输出标记为“1”时，不仅会有输入迷经元被输着迷经元激活，还会收到人造突触权重的影响。
如果输着迷经元感知到不同样本之间，可能存在某些同一个字母的相似特色时（你可以想象为更多的手写“1”的例子输入同一个芯片时），相同的输入迷经元就被激活，和我们大脑的学习过程一样。
末了这种硅鍺材质的人工突触芯片表现还不赖，手写数字识别准确率为95%，略微低于现在的基准线97%。
Kim团队希望，他们的研究事情可以为往后制造拥有超算能力、却和指甲一样大的芯片打些根本。这项研究已经得到了美国国家科学基金会的部分支持。
末了，附论文地址：
https://www.nature.com/articles/s41563-017-0001-5
及编译来源：
http://news.mit.edu/2018/engineers-design-artificial-synapse-brain-on-a-chip-hardware-0122
— 完 —
诚挚招聘
量子位正在招募编辑/，事情地点在北京中关村落。期待有才华、有激情亲切的同学加入我们！
干系细节，请在量子位"大众年夜众号(QbitAI)对话界面，回答“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技能和产品新动态
