MIT人工突触芯片新突破：指甲大小的芯片有望媲美超算

原作 Jennifer Chu

Root 编译自 MIT News

量子位 出品 | 公众号 QbitAI

论传递信息的能力，计算机的二进制目前还比不上人脑。

因为大脑神经元之间传递的信号形式远多过0或1两种：根据突触（神经元之间的结构）间不同的神经递质，不同的浓度，下游神经元可以拿到不一样的信号。

神经形态计算领域的研究人员希望，能找到一种造出类脑的芯片，可多层次地传递信息。一旦有了多层次的信号传递方式，那么很小的一块神经形态芯片就能匹敌现在的超算，毫不费力地并行运算海量数据。

前两天，MIT电子与微系统技术实验室的Jeehwan Kim教授在《自然》材料子刊发表了一篇论文，SiGe epitaxial memory for neuromorphic computing with reproducible high performance based on engineered dislocations。

MIT电子与微系统技术实验室的Jeehwan Kim教授

Kim教授和他的研究团队设计出一种材料为硅鍺的人工突触芯片，可以精确地控制电流的强度，就像神经元可以定量释放多少神经递质一样。

论文中显示，这款人工突触芯片已经可以支持识别手写字体的机器学习算法，准确率达到95%。尽管低于现有的芯片的基准表现97%，不过依然相当promising。

可以说，这篇文章的研究工作奠定了未来神经形态芯片的发展基础。

以后我们的移动设备，可能得靠这种芯片来支持图像识别和其他机器学习任务了。又考虑到移动设备有限的续航能力，这芯片不光要体积小，还得低耗才行。

能快速运算AI算法，便携，低耗是未来市场对这种芯片的基础要求。

待解决的难题：太多条“路”可以走

Kim教授说，现有的大部分神经形态芯片都尝试模仿神经突触，将两个可导电的层用另一种纤维介质分隔开。由于所用的介质材料是非晶态的，电子可以朝所有可能的方向跑，像弹珠机一样。即使人工突触的空间结构是模仿出来了，却无法精准控制“递质释放的浓度”——电流的强度。

控制不了电流的强度，那么所携带的信息也就复现不了。这就是人工突触芯片面临的最大难题，缺乏信息传递的一致性。

完美的不匹配

为了解决这个问题，Kim研究团队锁定了一种由连续排列的原子组成的无缺陷导电材料，单晶硅。这样就可以准确预测电子的流动了。

后来进一步研究发现，硅锗的晶格稍大于硅的晶格，这两种完全不匹配的材料可以形成漏斗状的错位，反而能形成单一的离子流通路径。

这个由硅锗制成的人工突触芯片，每个“突触”间隙约25纳米。实验中对每个突触施加电压，发现所有突触都表现出差不多的电流，不同突触之间的差异大概为4％。与由非晶态的材料制成的“突触”相比，电流强度大小更可控。

对单个“突触”的700次重复施电压实验中，“突触”所输出的电流都是相同的，偏差均在1％。

Kim说：“这是我们目前能够达到的（电流强度）最一致的芯片了。”

对于提高未来人工神经网络性能来说，这工作迈出了很关键的一步。

识别手写数字的表现

电流强度是控制得不错了，那么和现有的冯诺依曼结构的芯片比，计算性能表现怎么样？

Kim团队给这种芯片布置了一个机器学习的任务：识别手写数字。

这是人工突触芯片的第一次实际测试。

例如，当一个输入是手写的“1”，输出标记为“1”时，不仅会有输出神经元被输入神经元激活，还会收到人造突触权重的影响。

如果输入神经元感知到不同样本之间，可能存在某些同一个字母的相似特征时（你可以想象为更多的手写“1”的例子输入同一个芯片时），相同的输出神经元就被激活，和我们大脑的学习过程一样。

最后这种硅鍺材质的人工突触芯片表现还不赖，手写数字识别准确率为95%，略微低于现在的基准线97%。

Kim团队希望，他们的研究工作可以为以后制造拥有超算能力、却和指甲一样大的芯片打些基础。这项研究已经得到了美国国家科学基金会的部分支持。

最后，附论文地址：

https://www.nature.com/articles/s41563-017-0001-5

及编译来源：

http://news.mit.edu/2018/engineers-design-artificial-synapse-brain-on-a-chip-hardware-0122

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态

神经形态芯片的关键：麻省理工单通道人工神经突触

选自：MIT NEWS

作者：Jennifer Chu

参与：刘晓坤、李泽南、路雪

在构建神经形态芯片的任务中，如何实现稳定的突触结构是目前人们面临的主要挑战。近日，来自麻省理工学院（MIT）的研究人员利用硅锗芯片实现了高度可再现的单通道人工神经突触，克服了非晶态介质的非均匀性缺陷，该研究被视为实现类脑计算道路上的重要一步。目前，这项研究已发表在Nature Materials上。

提到处理能力，人脑是无法被打败的。

这个足球大小的器官包含了大约1000亿个神经元。在任何时候，一个神经元都可以通过突触传递指令给数以千计的其他神经元，神经递质通过突触进行传播。大脑中有超过100万亿突触负责传导神经元信号，它们会加强一些连接，同时抑制另一些连接，使大脑可以以超快的速度识别模式、记忆事实，并执行其他学习任务。

在「神经形态计算」这一新兴领域中，研究者正试图设计出像人脑一样工作的芯片。与现在基于二进制、0/1信号执行计算的数字芯片不同，“类脑芯片”的元件将以模拟（analog）方式工作，交换信号梯度或“权重”，非常类似于神经元之间突触交换离子的形式。

通过这种方式，小型神经形态芯片可以像大脑一样高效处理数以百万计的并行计算流——这是目前只有大型超级计算机才能做到的事情。然而，在这种便携式人工智能的方法中，人们面临的一项重大挑战是如何制造神经突触——它非常难以在硬件中进行再生产。

现在，MIT的工程师设计出了一种人工突触，它可以精确地控制通过自身的电流，就像生物体内的突触控制神经元之间流动的离子一样。该团队已经构建了一个由硅锗制成、带有人工突触的小型芯片。在模拟测试中，研究人员发现这块芯片和其中的突触可以用于识别手写文字样本，准确度高达95%。

这一设计被发表在最近一期的《Nature Materials》上，是构建便携式、低功耗神经形态芯片，并用于模式识别和其他学习任务的重要一步。

这项研究由MIT机械工程、材料科学和工程系助理教授 Jeehwan Kim领导。其他作者为MIT的Shinhyun Choi（第一作者）、Scott Tan（共同第一作者）、Zefan Li、Yunjo Kim、Chanyeol Choi和Hanwool Yeon，以及亚利桑那州立大学的Pai-Yu Chen和Shimeng Yu。

过多通路

大多数神经形态芯片的设计是通过由“交换媒介”或类突触空间（synapse-like space）分离开的两个传导层，来试图模仿神经元之间的突触连接。当使用电压时，离子会在“交换媒介”中移动形成导电丝，类似突触的“权重”变化。

但是在现有设计中，想要控制离子流动是非常困难的。Kim表示这是因为大多数交换媒介是由非晶态材料构成的，离子在其中有无限种可能的通路，这就有点像弹球盘（一种机械街机游戏，玩家利用弹簧将小钢球弹射入箱型的游戏机中，如穿过的钉子空隙进入特定的孔内时，可滚出很多钢球，以换取奖品）。

像弹球盘一样，现有的交换媒介拥有多个通路，这让我们难以预测离子是如何通过的。Kim表示，这在突触中会导致突触性能的非均匀性。

“一旦你使用电压代表人工神经元的一些信息，你就必须准备擦除它，并能够用同样的方式进行复写。”Kim介绍道。“但在非晶态固体中，当你再次写入时，离子会走向不同的方向，因为材料中有很多缺陷。离子流处于变化中，很难控制。这就是最大的问题——人工突触的非均匀性。”

完全不匹配

与其他人工突触所用的非晶材料不同，Kim和他的同僚们将目光转向单晶硅，一种由连续有序排列的原子构成的无缺陷导电材料。MIT的团队试图通过可预测离子流向的单晶硅创造一种精确的一维线缺陷或错位。

为了做到这一点，研究人员开始研究硅晶圆，它在显微分辨率下呈现网眼状图案。随后，他们基于硅晶圆研制出一种硅锗的类似版本——这种硅锗也是常用于晶体管的材料。硅锗的晶格稍大于硅的晶格，Kim等人发现将这两种完全不匹配的材料结合在一起可以形成漏斗状的错位，创造出可以让离子流动的单一路径。

研究人员制造了一个神经形态芯片，由硅锗制成的人工突触组成，每个突触的长度约为25纳米。研究者对每个突触施加电压，发现所有突触都展现了类似的电流或离子流，突触之间的差异大约为4%——与非晶材料相比，该结构的性能显然好很多。

研究者还多次实验了同一个突触，在700次循环实验中施加了相同的电压，结果发现突触呈现了相同的电流，每次循环之间的差异大约为1%。

“这是我们能够达到的性状最为一致的设备，它会是通向人工神经网络的关键。”Kim表示。

识别手写体

Kim的团队在最后的测试中探索了设备在执行实际学习任务时的表现——具体来说，研究者将识别手写样本作为神经形态芯片的第一个实际测试。该芯片将由“输入/隐藏/输出神经元”构成，每个神经元通过基于导电丝的人工突触和其它神经元连接。

科学家认为这种神经网络的堆叠可以赋予其“学习”的能力。例如，当馈送的输入为“1”的手写体时，输入神经元和人工突触的权重将激活标签为“1”的特定输出神经元。如果用更多的“1”手写体样本馈送到相同的芯片，当输出神经元发现了相同数字的不同样本之间的相似特征时，可能会激活相同的输出，这和大脑的学习机制类似。

Kim和同事用计算机模拟了一个人工神经网络，包含三个以两层人工突触连接起来的神经层，其属性源自对其真实神经形态芯片的测量。他们向模拟神经网络馈送了来自手写体识别数据集（神经形态芯片设计者常用的数据集）的成千上万个样本，发现他们的神经网络硬件在95%的时间中能够正确识别样本，而现有软件算法的准确率为97%。

该团队正在制作一个可以执行手写体识别任务的真实神经形态芯片，而不局限于模拟实验。Kim说该团队的人工突触设计允许开发更轻量的便携神经网络设备，并可以执行目前仅能用大型超级计算机实现的复杂计算。

“归根结底，我们希望能设计出手指甲大小的芯片来取代大型超级计算机，”Kim说。“这项研究为生产实际的人工硬件奠定了基础。”

论文：SiGe epitaxial memory for neuromorphic computing with reproducible high performance based on engineered dislocations

论文地址：https://www.nature.com/articles/s41563-017-0001-5

虽然很多类型的架构通过结合记忆单元和晶体管来模拟人工突触阵列，但是这些架构的扩展性较差，并且能耗很高。无晶体管的模拟转换设备也许能克服这些局限性，然而通常的转换过程依赖于在非晶体介质上进行导电丝成型，这很难控制，妨碍了相同性能的时空可再现性。本文展示了模拟电阻式转换设备，该设备利用在硅（作为转换介质）上外延生长的单晶硅锗层，得到最小性能方差的神经形态计算网络。这种外延随机存取存储器利用硅锗内部的线状错位将金属导电丝限定在预制的一维通路中。这种限定显著增强了转换的均匀性，并长期保持高模拟开/关比率。使用MNIST手写体识别数据集进行的模拟实验表明外延随机存取存储器可以获得95.1%的在线学习准确率。

相关问答

神经突触芯片有什么用?

神经突触芯片是一种模拟神经元之间连接的人工智能芯片,它可以模拟和处理类似于人类大脑中的突触连接和信息传输。神经突触芯片的应用潜力非常广泛,包括但不限...

什么是神经形态芯片?

神经形态芯片是一款全新的小型半导体芯片,灵感源自人类大脑,能够复制信息并思考处理方式。人体的1,000亿个脑神经元能通过100万亿个突触实现互联互通,使...

有没有可能出现神经元CPU?

英特尔30年来一直在向着终结者前进。英特尔16日发布了一个包含了64颗Loihi芯片800万个数字神经元的处理器。这是它的第五代数字神经元cpu了!计划在今年年...

您知道什么叫“天基芯”吗?

百事事刊:一一声惊雷,科技圈传来了重磅消息!请记住这个时间,2019年8月1日!昨天,全球科技都在报道中国芯片,就连世界最顶尖的杂志封面都是用的中国芯片...

大脑结构和芯片有哪些相似和不同?

1.数量上没法比:人脑的神经元有140亿个,每个神经元有10000个突触,等同换成晶体管就是有一百四十万亿个,而现在intel的22nm制程的IvyBridge处理器也只做到...

人脑为何如此高效?比计算机究竟强在哪儿?

但是电脑可以弥补人类大脑的不足,更利于人类充分地发挥自己的智慧。1、人类对各种信息的记忆都要靠神经元之间的突触,记忆和遗忘就是突触的形成与重构,由于大...

荣耀10采用的麒麟970芯片搭载的NPU有什么好处?

海思麒麟970是我国产巨头华为目前的旗舰移动芯片,一般常搭载在华为的旗舰机型上,那么麒麟970一直所说NPU到底好在哪里呢?海思麒麟970主要参数麒麟970没有采用...

马斯克的脑机接口成为现实之后，教育是不是会迎来颠覆性改变?

所以说,脑神经细胞间的突触实连接模式被否定了。用现代脑成像技术拍摄的人脑神经网络图像显示,人脑神经细胞间的突触连接很稀疏,每个神经细胞的突触连接大约只...

gpu和npu的区别?

1、gpu是显示核心、视觉处理器、显示芯片,是一种专门在个人电脑、工作站、游戏机和一些移动设备(如平板电脑、智能手机等)上图像运算工作的微处理器2、NPU是...

阅读下面的短文，完成下题　　打信号是在生物间传递消息最基...

[回答]答案:1.B;2.C;3.B;解析:(1)是第二段首句“信号只是个诱因,生理反应是信号作用于细胞的最终结果”的变形。A.解释的是“打信号”,而且这“信号”也...