两位新泽西理工学院(NJIT)的研究人员与IBM研究苏黎世实验室和洛桑联邦理工学院的合作者合作，展示了一种新颖的突触结构，可以产生一种受大脑启发的新型信息处理系统。

这些发现是朝着建立更节能的计算系统迈出的重要一步，这些系统也能够在现实世界中学习和适应。它们上周发表在Nature Communications杂志的一篇论文中。

研究人员，电气和计算机工程副教授Bipin Rajendran和电气工程研究生SR Nandakumar一直在开发可用于各种大数据应用的大脑启发计算系统。

在过去的几年中，深度学习算法已被证明在解决复杂的认知任务方面非常成功，例如控制自动驾驶汽车和语言理解。这些算法的核心是人工神经网络 - 神经元和大脑突触的数学模型 - 提供大量数据，以便自动调整突触强度，以了解这些数据中的内在特征和隐藏的相关性流。

然而，在传统计算机上实现这些脑启发算法的效率非常低，耗费了大量的功率和时间。这促使工程师搜索新材料和设备，以构建可以合并算法的专用计算机。纳米级忆阻装置，其电导率大致取决于先前信号传导活动的电子元件，可用于表示人工神经网络中神经元之间的突触强度。

虽然忆阻设备可能会带来速度更快，功效更高的计算系统，但它们也受到纳米级设备常见的几个可靠性问题的困扰。它们的效率源于它们以模拟方式编程以存储多位信息的能力; 然而，它们的电导率以非确定性和非线性方式变化。

在实验中，该团队展示了如何配置具有这些特征的多个纳米级忆阻设备，以便有效地实现人工智能算法，如深度学习。来自IBM的包含超过一百万个纳米级相变忆阻器件的原型芯片被用于实现神经网络，用于检测时变信号中的隐藏模式和相关性。

“在这项工作中，我们提出并试验性地展示了一种利用纳米级忆阻装置实现学习算法的高学习效率的方案，”Nandakumar说。“我们演示的核心思想是并行使用几个忆阻设备来代表神经网络突触的强度，但只选择其中一个根据神经元活动在每一步进行更新。”

Nandakumar于2016年加入NJIT，是IBM博士的收件人。在过去的一年里，这个问题一直与IBM Research - Zurich的内存与认知技术小组合作。

“我们研究的目标是建立受大脑结构启发的新型计算系统，”NJIT的研究顾问Rajendran说。“虽然在过去的十年中，在将机器学习算法用于各种复杂的认知任务方面取得了重大成功，但它们在移动设备和现实世界中嵌入的传感器中的使用需要新技术解决方案，能源效率更低，效率更高。仍然存在重大挑战，我们的团队现在已经证明纳米级忆阻器件虽然噪声很大且非理想，但可以直接用于此类应用。“