文|玉惜品诗
编辑|玉惜品诗
前言：
脑启发的计算是一项颠覆性的技术，它可以让机器像人一样识别图案并与外界以智能的方式互动。
要实现这个目标，首先需要深入研究人脑的运作原理，然后找到一种微型电子技术，能够模仿人脑的某些特点，比如大量的神经连接和特殊的学习能力。
在这项研究中，使用了一种叫做memristor的微电子元件，它模拟了人脑神经元之间的连接。
通过模拟神经元之间的信息传递方式，让机器可以自己学习和追踪一些模式，就像我们学会认识事物一样，这项技术能够开发更智能的硬件，让机器能够处理更复杂的任务吗？
开辟脑启发之路
人工智能的目标是将大脑类似的思维过程实现在硅芯片上，为此已有60年的科研历程。
如果能创造出计算机，它可以像人一样感知外部信息、理解概念并做出决策，这将引发下一轮科技革命，彻底改变我们的生活和社会。
近年来，神经网络结合深度学习算法已经展示出出色的能力，例如玩游戏、翻译句子和通过视觉测试识别图像。
但这些成就都是通过在高性能数字计算机上使用传统的金属氧化物半导体技术实现的，要扩展这些方法到更大规模的任务却受到限制。
因为传统计算机采用的冯·诺依曼架构使处理器和内存物理上分离，导致设备庞大、延迟高、系统复杂。
为了实现大脑类似的任务，越来越多的研究致力于开发神经网络加速器，具备适当的并行性、低功耗和非冯·诺依曼、内存中计算的架构。
像是一款金属氧化物半导体神经形态多核处理器降低了功耗104倍，还有使用泄漏积分-发射神经元和硅突触的模拟电路，展示出低功耗运行能力。
这些神经形态实现都依赖于不稳定、二元的硅金属氧化物半导体突触，要真正模仿生物大脑，我们需要转向非挥发性、多级别且可扩展的突触，以满足大脑皮层中约104个突触与一个神经元的高密度连接需求。
这些人工突触还应该具备大脑启发的时间相关突触可塑性，这是生物神经网络中事件驱动学习的重要特征。
为了实现这一目标，电阻、电阻性器件成为了电子突触的理想选择，因为这些器件的电导率会随着电刺激的施加而发生变化。
它们具备多级别电导率的能力，可以保持多值电导率状态，而且器件尺寸小，电阻性器件已经在模拟中验证了视觉模式训练和识别的能力。
在这项工作中展示了通过局部脉冲时序相关可塑性更新突触权重的静态图案的无监督学习以及对动态图案的适应。
这一研究为创造更具人脑特点的AI系统迈出了重要的一步，有望为机器带来更强大的感知和学习能力，改变我们与技术互动的方式。
学习与图案识别的未来
神经网络中的突触扮演着关键的角色，它们是前突触神经元和后突触神经元之间的连接点。
突触的作用是调控神经信号的传递，其权重决定了前突触神经元激发信号传递到后突触神经元的程度。
在人工神经网络中，通常使用一种混合型的一晶体管、一电阻结构来构建突触。
这种人工突触的关键部分是一种叫做电阻性随机存储器的设备，它包含一个10纳米厚的氧化铪开关层。
通过施加正电压可以实现从高电阻状态到低电阻状态的转变，称为“设置过程”。
相反，施加负电压则会引起最低电阻状态向最高电阻状态HRS的转变，称为“重置过程”。
一晶体管/一电阻突触还支持突触时序依赖塑性，这是一种脉冲通信和权重更新的机制。
突触时序依赖塑性基于前后突触神经元脉冲之间的时间差Δt，通过改变突触的强度来调整信号传递。
当后突触神经元的脉冲在前突触神经元之后发生时，即Δt>0，会导致突触增强。相反，如果Δt<0，则会导致突触抑制。
这种突触时序依赖塑性机制是神经网络学习的基础，在实验中，使用突触时序依赖塑性来进行图案学习。
通过向网络提供第一个图案并进行训练，然后使用其他图案进行测试，展示了突触如何学会识别不同的图案。
训练过程中，突触时序依赖塑性导致图案突触的增强和背景像素的抑制，支持了图案识别的能力。
还测试了快速学习的可能性，通过缩短脉冲宽度，我们可以在更短的时间内实现相同的学习效果，从而减少能量消耗。
这表明电阻性随机存储器装置具有时间灵活性，可以满足不同时间和能量要求的应用。
虽然研究中采用了确定性的二进制可塑性规则来实现突触时序依赖塑性，但也可以通过模拟权重的变化来表示模拟权重的突触时序依赖塑性，以更好地模拟视觉领域中的灰度图像识别。
这项研究展示了一种基于突触塑性的人工神经网络，具有学习和识别图案的能力。
这种网络不仅可以进行静态学习，还可以进行动态学习，适用于不同的图像、灰度和颜色级别。
还展示了如何通过增加额外的后突触神经元和抑制性突触来实现多个图像的学习，这种技术有望应用于开发更智能的硬件系统，使机器能够处理更复杂的任务和信息。
突触网络无监督学习的潜力
这项研究结果支持了突触网络中的对象学习、识别和自适应，这是通过无监督的Hebbian学习实现的。
Hebb的规则通常描述了一种奖励机制，其中神经元的因果序列激活会导致突触连接的增强，而那些在时间上明显不相关的激活则会导致突触连接的减弱。
这种无监督学习原理在机器学习领域也有广泛的应用，例如在数据聚类和异常检测中，被用于监测入侵风险、银行欺诈、医疗错误等各种威胁。
生物系统中的奖励机制已经在多个感觉功能中得到证实，包括视觉、嗅觉和感觉-运动系统等。
甚至在复杂的任务，如自主机器人和车辆的控制中，也观察到了与突触时序依赖塑性类似的突触可塑性。
突触时序依赖塑性这种普遍性暗示着拥有突触时序依赖塑性能力的物理硬件在开发模仿人类感知和认知的机器和其他人工系统方面可能起到关键作用。
由于突触时序依赖塑性的生物模仿性质，无监督的突触网络还可以为神经假肢技术提供支持。
通过将植入的硬件与生物神经元相互连接，可以提供和补充各种脑功能，以纠正残疾和治愈受伤。
要应对这些挑战存在一个重要的限制，即理解和复制生物神经网络的结构和运作方式非常困难。
例如，视觉皮层被组织成8到10个功能层，包括多种类型的神经元和复杂的突触连接。
在硬件中复制和使用突触时序依赖塑性等脉冲时序依赖规则的这种深层网络仍然面临许多未解之谜。
神经网络的响应可能非常复杂，包括短期和长期可塑性、兴奋性和抑制性突触响应，以及各种类型的网络级行为，如前馈或循环脉冲传播。
不仅如此，还有各种形式的可塑性规则，不仅包括突触时序依赖塑性，还包括基于速率和三重规则的学习。
要在硬件中精确复制这种深层网络的结构和复杂现象，需要对大脑的结构和运作方式有深入的理解。
在这一背景下这项研究呈现了一个具有突触时序依赖塑性能力的电阻突触网络。
这个网络利用交替呈现图案图像和随机噪声的方式实现了随机学习，从而导致突触的增强和抑制，成功地展示了对静态和动态图像的无监督学习，以及对相同模式的识别。
这一概念为基于电阻器件的大规模、低功耗、脑启发式计算硬件提供了一个基本的构建模块。
电阻性随机存储器器件在我们的研究中发挥了关键作用，这些电阻性随机存储器器件由一层厚度为10纳米的氧化铪开关层组成，该层通过原子层沉积沉积在氮化钛底电极上。
这一设备的截面透射电镜照片氧化铪层经硅掺杂，并以非晶态沉积，通过衍射研究得到证实。
在氧化铪介电层的顶部沉积了具有氧夺取功能的反应性Ti顶电极，形成了氧化钛的氧交换层，位于钛和氧化铪之间。
氧交换层对增加氧化铪中氧空位的浓度具有关键作用，从而增强了原始状态下的漏电流，并降低了形成电压。
形成过程通过施加3V幅度的100ms脉冲来操作，以通过控制介电层的可控软击穿来初始化导电性团簇的形成和相关的电阻性切换过程。
电阻性随机存储器与场效应晶体管相连接，该场效应晶体管由传统的互补金属氧化物半导体工艺在同一硅芯片的前端集成。
产生的一晶体管/一电阻结构在形成、设置和重置过程中由其3个端子控制，即场效应晶体管栅、场效应晶体管源和电阻性随机存储器的顶电极。
电阻性随机存储器的直流传导和双极性切换特性由与常规探针站内的实验装置相连接的半导体参数分析仪收集。
它为基于突触可塑性的硬件和软件工具的开发打开了新的可能性，有望用于开发类似于人类感知和认知的智能机器，以及其他人工系统，从而实现更高级别的功能和应用。
无论是神经假肢技术还是大脑的生物模拟，这项研究都具有巨大的潜力，可以为人类社会带来深远的影响。
结语：
这项研究展示了突触网络无监督学习的潜力，通过电阻性随机存储器等高级器件，实现了突触的时序依赖塑性，使机器能够自主学习和识别图案。
这一技术为人工智能的发展提供了重要支持，有望应用于神经假肢、大脑模拟等领域。通过模拟大脑的连接和信息传递方式，取得了重要进展，将有助于更深入地理解人脑，并推动科学家更接近实现人工智能系统的梦想。
