?神經形態計算旨在通過模仿構成人腦的神經元和突觸的機制來實現人工智能（AI）。受當前計算機無法提供的人腦認知功能的啟發，神經形態設備已被廣泛研究。

然而，目前基于互補金屬氧化物半導體（CMOS）的神經形態電路，只是簡單地連接人工神經元和突觸而沒有協同相互作用，而神經元和突觸的同時實現仍然是一個挑戰。

為了解決這些問題，由韓國科學技術高等研究院材料科學與工程系 Keon Jae Lee 教授領導的研究團隊，通過在單個記憶單元中引入神經元-突觸相互作用，來實現人類的生物學工作機制，代替了傳統的電連接人工神經元和突觸裝置的方法。

這項名為“Simultaneous emulation of synaptic and intrinsic plasticity using a memristive synapse”的結果發表在 2022 年 5 月 19 日的《自然通訊》雜志上。

Keon Jae Lee 教授解釋說，“神經元和突觸相互作用以建立認知功能，例如記憶和學習，因此模擬兩者是類腦人工智能的基本要素。開發的神經形態記憶裝置還模仿了再訓練效應，通過在神經元和突觸之間實現正反饋效應，可以快速學習被遺忘的信息?！?/span>

人腦是由 1000 億個神經元和 100 萬億個突觸組成的復雜網絡。人腦的學習和記憶等智力能力來自近千億個神經元與突觸互連的復雜網絡。一個神經元結合突觸前的輸入刺激來發射電脈沖，而一個突觸連接相鄰的神經元以在整個網絡中傳輸信號。

而且，神經元和突觸的功能和結構可以根據外界刺激靈活變化，適應周圍環境。根據先前的經驗，可以修改神經元和突觸的功能以重組神經通路。突觸可塑性，即突觸自適應地改變連接強度的能力，以其對學習和記憶的貢獻而聞名。

許多細胞和分子研究也表明，神經元不僅參與信息處理，還通過內在可塑性促進記憶形成，從而調節神經元的興奮性。突觸可塑性和神經元內在可塑性同時發生在所有主要的學習形式中，使大腦能夠高效地執行智能任務和概率處理。

受認知人類大腦的啟發，神經形態計算以生物神經網絡的硬件體現為目標，以實現人工智能（AI）。與基于 CMOS 的方法相比，單個神經元和突觸的設備實現已被廣泛研究，因為它們具有出色的能源效率和可擴展性。

（來源：Pixabay）

憶阻器的出現大大加速了人工突觸的發展，憶阻器呈現出滯后電阻切換特性。由于阻性切換行為與突觸可塑性非常相似，非易失性憶阻器已成功地模擬了短期和長期突觸可塑性。人工神經元也被證明使用易失性憶阻器，模擬從生物合理的集成和發射模型到生物物理霍奇金-赫胥黎 (HH) 模型的神經元模型。

人工神經元和突觸的集成對于開發具有高級認知功能的神經形態智能計算機至關重要。在此之前，也已經報道了能夠進行模式識別和簡單決策的憶阻神經網絡，顯示出優于傳統馮諾依曼架構的性能。

然而，盡管在學習和記憶中起重要作用，但很少有研究證明人工神經元中內在可塑性的模擬。此外，內在和突觸可塑性之間的協同相互作用應涉及各種形式的學習，如經典條件反射、空間學習和再訓練。

之前的研究報告證明了在單個設備中的易失性和非易失性切換，但這些研究是表明從易失性到非易失性切換的轉變，而不是兩種切換機制與神經突觸相互作用的共存。應在單個設備中實現神經元興奮性和突觸權重變化，以同時解決受腦啟發的認知 AI 中的神經可塑性。

圖 | 神經元膜結構圖（左）和 TS-PCM 的相應電路表示（右）（來源：Nature）

在這項最新研究中，研究人員報告了一種突觸裝置，該裝置在單個單元中模擬突觸和內在可塑性，此外，基于伴隨神經可塑性的協同相互作用，建立了一個正反饋學習循環。最后，通過采用閾值開關相變存儲器（TS-PCM）的伴隨可塑性和反饋學習循環，成功實現了 4×4 模式的記憶和再訓練。

這是一種納米級的神經形態存儲設備，它可以在一個單元中同時模擬神經元和突觸，其中短期和長期記憶共存，使用分別模擬神經元和突觸特征的易失性和非易失性記憶裝置。閾值開關器件用作易失性存儲器，相變存儲器用作非易失性器件。兩個薄膜器件集成在一起，沒有中間電極，實現了神經形態記憶中神經元和突觸的功能適應性。

圖 | 由底部易失性和頂部非易失性存儲層組成的神經形態存儲設備，分別模擬神經元和突觸特性（來源：KAIST）

與商用顯卡類似，此前研究的人工突觸裝置常用于加速并行計算，與人腦的運行機制有明顯區別。研究小組在神經形態記憶裝置中實現了神經元和突觸之間的協同相互作用，模擬了生物神經網絡的機制。此外，所開發的神經形態器件可以用單個器件替代復雜的 CMOS 神經元電路，具有很高的可擴展性和成本效益。

研究人員表示，這是朝著用半導體設備嚴格模擬人腦的神經形態計算目標邁出的又一步。?