突触作为模型神经形态电路中的固态记忆

某些任务——例如识别模式和语言——是由人脑高效执行的，只需要传统的所谓“冯诺依曼”计算机的大约十分之一的能量。原因之一在于结构上的差异：在冯诺依曼架构中，内存和处理器之间有明显的分离，这需要不断移动大量数据。这既费时又费力——所谓的冯诺依曼瓶颈。在大脑中，计算操作直接发生在数据存储器中，生物突触同时执行存储器和处理器的任务。

在ForschungszentrumJülich，科学家们已经研究了15年以上的特殊数据存储设备和组件，这些设备和组件具有与人类大脑中的突触相似的特性。所谓忆阻存储器件，也称为忆阻器，被认为是极其快速和节能的，并且可以很好地小型化到纳米范围。忆阻电池的功能基于一个非常特殊的效果：它们的电阻不是恒定的，而是可以通过施加外部电压来改变和重新设置，理论上是连续的。电阻的变化由氧离子的运动控制。如果这些从半导体金属氧化物层中移出，则材料变得更具导电性并且电阻下降。这种电阻变化可用于存储信息。

细胞中可能发生的过程很复杂，并且因材料系统而异。JülichPeterGrünberg研究所的三位研究人员——Prof.因此，ReginaDittmann、StephanMenzel博士和RainerWaser教授将他们的研究成果汇编成一篇详细的评论文章，“金属氧化物中的纳米离子忆阻现象：价态变化机制”。他们详细解释了忆阻器中的各种物理和化学效应，并阐明了这些效应对忆阻电池开关特性及其可靠性的影响。

“如果你看看当前在神经形态忆阻器电路领域的研究活动，它们通常基于材料优化的经验方法，”PeterGrünberg研究所所长RainerWaser说。“我们的评论文章的目标是为研究人员提供一些可以使用的东西，以实现洞察驱动的材料优化。”作者团队为这篇大约200页的文章工作了十年，自然不得不不断吸收知识的进步。

“记忆细胞用作人工突触所需的类似功能不是正常情况。通常，由于离子运动和焦耳热的相互放大而产生的电阻突然跳跃，”彼得格伦伯格研究所的ReginaDittmann解释说.“在我们的评论文章中，我们为研究人员提供了有关如何改变细胞动力学以启用模拟操作模式的必要理解。”

“你一次又一次地看到，小组用根本不考虑细胞高动态的模型来模拟他们的忆阻器电路。这些电路永远不会起作用，”彼得格伦伯格研究所和彼得格伦伯格研究所建模活动负责人StephanMenzel说。开发了功能强大的紧凑型模型，现已进入公共领域。“在我们的评论文章中，我们提供了对正确使用我们的紧凑型模型非常有帮助的基础知识。”

神经形态计算的路线图

2022年5月发布的“神经形态计算与工程路线图”展示了神经形态计算如何帮助减少全球IT的巨大能源消耗。在其中，来自彼得格伦伯格研究所(PGI-7)的研究人员与该领域的领先专家一起，汇编了各种技术可能性、计算方法、学习算法和应用领域。

根据这项研究，人工智能领域的应用，如模式识别或语音识别，可能会以一种特殊的方式从神经形态硬件的使用中受益。这是因为它们比经典的数值计算操作更基于大量数据的转移。忆阻单元可以直接在内存中处理这些巨大的数据集，而无需在处理器和内存之间来回传输它们。这可能会将人工神经网络的能量效率降低几个数量级。

忆阻单元也可以互连形成高密度矩阵，使神经网络能够在本地学习。因此，这种所谓的边缘计算将计算从数据中心转移到工厂车间、车辆或需要护理的人的家中。因此，无需通过云发送数据即可完成监控过程或启动救援措施。

“这同时实现了两件事：节省能源，同时，个人数据和与安全相关的数据仍保留在现场，”Dittmann教授说，他作为编辑在创建路线图方面发挥了关键作用。