會“學習”的超導人工突觸 比人腦處理資訊更快、更高效！

“以神經元為模型的超導計算晶片可以比人腦更快、更高效地處理資訊。”《科學進展》（Science Advances）於近日所描述的這一成就是開發用於類比生物系統的高級計算設備的關鍵基準。它可以打開更自然的機器學習軟體的大門，

雖然許多障礙仍然可以在商業上使用。

人工智慧軟體越來越多地開始模仿大腦。諸如Google的自動圖像分類和語言學習程式等演算法使用人工神經網路來執行複雜的任務。但是由於傳統的電腦硬體並不是為了運行類似大腦的演算法而設計的，

所以這些機器學習任務所需的計算能力要比人腦大一倍。

美國國家標準與技術研究院（NIST）科羅拉多州博爾德市的物理學家邁克爾·施耐德（Michael Schneider）表示，“必須有更好的方法來做到這一點，因為大自然已經找到了一個更好的方法來做到這一點。”

NIST是少數嘗試開發模仿人類大腦的“神經形態”硬體的組織之一，希望能夠更有效地運行類似於大腦的軟體。

在傳統的電子系統中，電晶體以固定的時間間隔和精確的數量處理資訊，1或0位元。但神經形態裝置可以從多個來源積累少量的資訊，改變它以產生不同類型的信號，並且只在需要時才發出一陣電，就像生物神經元一樣。因此，神經形態裝置只需要較少的能量來運行。

然而，這些器件仍然效率低下，尤其是當它們跨電晶體間隙或突觸傳輸資訊時。所以施奈德的團隊從鈮超導體中製造出類似神經元的電極，

這些電極在沒有阻力的情況下導電。他們填補了超導體與數以千計的磁性納米團簇之間的空白。

通過改變突觸中的磁場量，納米團簇可以被對準以指向不同的方向。這允許系統在電力水準和磁力方向上對資訊進行編碼，賦予其比其他神經形態系統更大的計算能力，而不佔用額外的物理空間。

一個人工神經突觸與高速電測器相連

突觸可以每秒發射10億次，比人類神經元快幾個數量級，並且使用萬分之一的生物突觸所使用的能量。

在電腦類比中，合成神經元可以將來自多達九個來源的輸入整理，然後將其傳遞到下一個電極。但是，在基於該技術的系統可用於複雜計算之前，

需要數百萬個突觸，施耐德認為，還有待觀察是否有可能將其擴展到這個水準。

另一個問題是，突觸只能在接近絕對零度的溫度下工作，需要用液氦冷卻。研究神經形態計算的英國曼徹斯特大學（University of Manchester）的電腦工程師Steven Furber則表示，儘管大型資料中心可能能夠維護這些晶片，但這可能會使晶片在小型設備中的使用變得不切實際。但施耐德卻認為，冷卻設備所需的能量比運行具有相同計算能力的傳統電子系統要少得多。

替代方法

帕薩迪納加利福尼亞理工學院的電氣工程師Carver Mead對這項研究表示稱讚，稱其為神經形態計算的新方法。他認為，“這個領域充滿了炒作，很高興看到以客觀的方式呈現高品質的作品。但是他補充表示，將晶片用於真正的計算還需要很長時間，並指出它們面臨來自許多正在開發的神經形態計算設備的激烈競爭。

Furber還強調，實際應用在未來還很遙遠。他認為，“設備技術可能非常有趣，但是我們還沒有足夠的瞭解生物突觸的關鍵性質，知道如何有效地使用它們。”例如，關於突觸如何在形成記憶體時改造自己，有許多突出的問題，使得難以在記憶體存儲晶片中重新創建該過程。

不過，Furber表示，因為新型計算設備需要10年或更長的時間才能進入市場，所以即使神經科學家努力瞭解人類的大腦，也有必要盡可能多地開發不同的技術方法。

替代方法

帕薩迪納加利福尼亞理工學院的電氣工程師Carver Mead對這項研究表示稱讚，稱其為神經形態計算的新方法。他認為，“這個領域充滿了炒作，很高興看到以客觀的方式呈現高品質的作品。但是他補充表示，將晶片用於真正的計算還需要很長時間，並指出它們面臨來自許多正在開發的神經形態計算設備的激烈競爭。

Furber還強調，實際應用在未來還很遙遠。他認為，“設備技術可能非常有趣，但是我們還沒有足夠的瞭解生物突觸的關鍵性質，知道如何有效地使用它們。”例如，關於突觸如何在形成記憶體時改造自己，有許多突出的問題，使得難以在記憶體存儲晶片中重新創建該過程。

不過，Furber表示，因為新型計算設備需要10年或更長的時間才能進入市場，所以即使神經科學家努力瞭解人類的大腦，也有必要盡可能多地開發不同的技術方法。