突觸作為模型神經形態電路中的固態記憶

某些任務——例如識別模式和語言——是由人腦高效執行的，只需要傳統的所謂“馮諾依曼”計算機的大約十分之一的能量。原因之一在于結構上的差異：在馮諾依曼架構中，內存和處理器之間有明顯的分離，這需要不斷移動大量數據。這既費時又費力——所謂的馮諾依曼瓶頸。在大腦中，計算操作直接發生在數據存儲器中，生物突觸同時執行存儲器和處理器的任務。

在ForschungszentrumJülich，科學家們已經研究了15年以上的特殊數據存儲設備和組件，這些設備和組件具有與人類大腦中的突觸相似的特性。所謂憶阻存儲器件，也稱為憶阻器，被認為是極其快速和節能的，并且可以很好地小型化到納米范圍。憶阻電池的功能基于一個非常特殊的效果：它們的電阻不是恒定的，而是可以通過施加外部電壓來改變和重新設置，理論上是連續的。電阻的變化由氧離子的運動控制。如果這些從半導體金屬氧化物層中移出，則材料變得更具導電性并且電阻下降。這種電阻變化可用于存儲信息。

細胞中可能發生的過程很復雜，并且因材料系統而異。JülichPeterGrünberg研究所的三位研究人員——Prof.因此，ReginaDittmann、StephanMenzel博士和RainerWaser教授將他們的研究成果匯編成一篇詳細的評論文章，“金屬氧化物中的納米離子憶阻現象：價態變化機制”。他們詳細解釋了憶阻器中的各種物理和化學效應，并闡明了這些效應對憶阻電池開關特性及其可靠性的影響。

“如果你看看當前在神經形態憶阻器電路領域的研究活動，它們通常基于材料優化的經驗方法，”PeterGrünberg研究所所長RainerWaser說。“我們的評論文章的目標是為研究人員提供一些可以使用的東西，以實現洞察驅動的材料優化。”作者團隊為這篇大約200頁的文章工作了十年，自然不得不不斷吸收知識的進步。

“記憶細胞用作人工突觸所需的類似功能不是正常情況。通常，由于離子運動和焦耳熱的相互放大而產生的電阻突然跳躍，”彼得格倫伯格研究所的ReginaDittmann解釋說.“在我們的評論文章中，我們為研究人員提供了有關如何改變細胞動力學以啟用模擬操作模式的必要理解。”

“你一次又一次地看到，小組用根本不考慮細胞高動態的模型來模擬他們的憶阻器電路。這些電路永遠不會起作用，”彼得格倫伯格研究所和彼得格倫伯格研究所建模活動負責人StephanMenzel說。開發了功能強大的緊湊型模型，現已進入公共領域。“在我們的評論文章中，我們提供了對正確使用我們的緊湊型模型非常有幫助的基礎知識。”

神經形態計算的路線圖

2022年5月發布的“神經形態計算與工程路線圖”展示了神經形態計算如何幫助減少全球IT的巨大能源消耗。在其中，來自彼得格倫伯格研究所(PGI-7)的研究人員與該領域的領先專家一起，匯編了各種技術可能性、計算方法、學習算法和應用領域。

根據這項研究，人工智能領域的應用，如模式識別或語音識別，可能會以一種特殊的方式從神經形態硬件的使用中受益。這是因為它們比經典的數值計算操作更基于大量數據的轉移。憶阻單元可以直接在內存中處理這些巨大的數據集，而無需在處理器和內存之間來回傳輸它們。這可能會將人工神經網絡的能量效率降低幾個數量級。

憶阻單元也可以互連形成高密度矩陣，使神經網絡能夠在本地學習。因此，這種所謂的邊緣計算將計算從數據中心轉移到工廠車間、車輛或需要護理的人的家中。因此，無需通過云發送數據即可完成監控過程或啟動救援措施。

“這同時實現了兩件事：節省能源，同時，個人數據和與安全相關的數據仍保留在現場，”Dittmann教授說，他作為編輯在創建路線圖方面發揮了關鍵作用。