泽南、小舟、杜伟报道

指尖的超算:MIT脑启发芯片登上Nature子刊

想要运行人工神经网络,我们还是需要神经形态芯片。

来自麻省理工学院(MIT)的工程师 Hanwool Yeon、Jeehwan Kim 等人设计了一种「片上大脑」,它比指甲盖还小,内含数十万人工突触(忆阻器),其「记忆力」要比我们所知的其他芯片强上不少。我们距离模拟人脑又近了一步?

这种全新的芯片借鉴了冶金技术的原理,使用银、铜和硅合金制造忆阻器。当芯片在处理视觉任务时,可以「记住」图像并多次复现这些内容。与使用非合金材料制作的忆阻器相比,新版本的记忆更加清晰。

这一研究的论文《Alloying conducting channels for reliable neuromorphic computing》今天已发表在自然杂志子刊《Nature Nanotechnology》上,研究人员展示了一种颇具潜力的新型神经记忆忆阻器设计,其电路以一种模仿大脑神经结构的方式处理信息。更加重要的是,这种脑启发计算方式可以塞进便携设备里,但却能执行今天只有超级计算机才能完成的复杂任务。

「迄今为止,人工突触网络都是以软件形式存在的。我们正在探讨的是构建真正的神经网络硬件,为可穿戴人工智能系统打开道路,」MIT 机械工程助理教授 Jeehwan Kim 说道。「想象一下,把神经形态设备连接到汽车的摄像头上,这套系统就可以识别红绿灯和路上的各种目标,及时作出反应,并且不需要连接到互联网。我们希望通过低能耗的忆阻器在本地实时地处理这些任务。」

游动的离子

忆阻器又被称为存储晶体管,是神经形态计算中不可或缺的构成组件。在神经形态设备中,忆阻器在电路中将充当晶体管,尽管它的工作方式更类似于两个神经元之间的连接点 - 大脑突触。突触从一个神经元中接收到离子形态的信号,然后将对应信号发送至下个神经元

传统电路中的晶体管通过在两个值 0 和 1 之间的转换来传输信息,只有当它接收到的信号是电流形式且具有一定强度时才能完成这种操作。相比之下,忆阻器工作时通常伴随梯度,更像是大脑突触。忆阻器产生的信号会因其自身接收信号的强度而出现变化,这使得单忆阻器具有很多值,因而可以执行较二进制晶体管更广泛的操作。

就像大脑突触一样,忆阻器也能够「记住」给定电流的强度值,并且在下次接收类似电流时产生完全相同的信号。这能够确保一个复杂方程的解,或者一个视觉分类任务的处理结果相对固定,而同样的效果通常需要多种晶体管和电容器通过大量协作才能完成。

因而科学家做出设想,忆阻器所需要的芯片面积要比传统晶体管小得多,它可以让性能强大的便携式计算设备不再依赖超级计算机以及网络连接。

然而,现有忆阻器的设计受到自身性能的限制。单忆阻器由一个正电极和一个负电极组成,并被「交换介质」或电极之间的空间隔开。当一个电极应用某一电压时,该电极中的离子流经「交换介质」,为另一个电极生成「传导通道」。接收到的离子组成忆阻器通过电路传输的电子信号。离子通道以及忆阻器最终生成信号的大小应与刺激电压的强度成正比。

Kim 表示,在大规模传导通道受到电压刺激或者大量离子由一个电极流向另一电极时,现有忆阻器设计表现良好。但当忆阻器需要通过更细的传导通道生成更微妙的信号时,这些忆阻器设计的可靠性还远远不够。

传导通道越细,从一个电极流向另一电极的离子越少,单个离子就越难以聚合在一起。相反,离子往往会偏离群体,在介质中扩散。这样一来,接收电极就很难可靠地捕获相同数量的离子,并且当受到一定低电流范围的刺激时,接收电极将传输同一信号。

借鉴冶金学方法

Jeehwan Kim 等人通过借鉴冶金学,将金属熔炼成合金并研究其综合性能的方法,找到了突破这一局限的方法。

「通常,冶金学家会试图向块状基质中添加不同元素的原子来强化材料,研究者因此想到。为什么不在忆阻器中调整原子之间的相互作用,并添加一些合金元素来控制离子在介质当中的运动呢?」Kim 说道。

工程师们经常使用银做忆阻器正极材料。Kim 的团队查阅了文献来寻找一种与银混合的元素,要求这种元素可使得银离子结合在一起,同时允许它们流向另一个电极。

研究团队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。

Kim 说:「它起到了桥梁的作用,并且稳定了银硅界面。」

为了让忆阻器使用该研究的新合金材料,研究团队首先用硅制成了负极,然后沉淀少量的铜,再沉淀一层银,制成正极。他们将两个电极夹在非晶硅介质周围。通过这种方式,研究者们用数以万计的忆阻器对一个平方毫米的硅芯片进行了构图。

在芯片的第一次试验中,他们重新创造了美国队长盾牌的灰度图像。他们将图像中的每一个像素和芯片中的忆阻器相对应。然后,调节每个忆阻器的电导,其强度和图像中对应像素颜色有关。

与其他材料制成的芯片相比,该芯片可产生与原本的盾牌相同的图像,并且能够记住图像,多次成功重建。

32×32 无晶体管硅忆阻器阵列示意图。图 d 展示了合金忆阻器的记忆效果对比,最下一行为 MIT 提出的新方法。

研究团队也在一个图像处理任务上运行了该芯片,给忆阻器编程,让它能够改变图像,在本例中,使用的是 MIT Killian Court,改变图像采用的是几种特定的方式,包括锐化和模糊原始图像。该研究的设计比现有忆阻器更准确地生成了重新编程的图像。

「我们正在使用人工突触进行真实环境下的推理测试,」Jeehwan Kim 表示。「未来我们将进一步发展这项技术,用更大规模的数据做图像识别任务。有一天,你可能会随身带着人工大脑来完成这类任务,而不需要与超级计算机、互联网或者云服务进行连接。」

参考内容:

http://news.mit.edu/2020/thousands-artificial-brain-synapses-single-chip-0608

https://www.nature.com/articles/s41565-020-0694-5

产业MIT忆阻器人工大脑突触片上大脑
相关数据
神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

神经形态计算技术

神经形态工程也称为神经形态计算,是Carver Mead在1980年代后期开发的一个概念,描述了使用包含电子模拟电路来模拟神经系统中存在的神经生物学结构的超大规模集成(VLSI)系统。 近来,神经形态(Neuromorphic)一词已被用于描述模拟、数字、混合模式模拟/数字VLSI以及实现神经系统模型(用于感知,运动控制或多感官集成)的软件系统。

推荐文章
暂无评论
暂无评论~