（文章來源：快點PCB）
? ? ?? 數字超級計算機造價昂貴且能耗巨大。即便如此，它們在處理人腦擅長的問題（如理解語音或識別照片內容）時仍然十分吃力。過去幾年，盡管運用深度學習算法的人工神經網絡取得了很大進展但一些計算機科學家認為，通過采用更接近于生物大腦的系統，他們可以做得更好，這就是神經形態（neuromorphic）計算，也被稱為腦模擬。神經形態計算不僅能完成目前的計算機無法完成的任務，還能讓我們更清楚地理解人類記憶和認知的機理。不僅如此，如果研究者們能夠研制出用模擬電路構建的這種機器，那么這種機器所需要的能耗將大大低于現在的計算機。

美國國家標準和技術研究院（NIST）納米科學和技術中心坐落于馬里蘭州蓋瑟斯堡。該中心的項目主管、物理學家馬克·斯太爾斯（Mark Stiles）說：“研究神經形態計算的真正動力是能效，而目前基于CMOS的設計能效尤其不佳?！蹦M電路每次計算操作所消耗的能量比現在的互補金屬氧化物半導體（CMOS）電路更少，因此能效更高。但另一方面，模擬電路對噪聲很敏感，而且目前設計和制造模擬電路的技術不如CMOS芯片先進。

日本仙臺東北大學大野英男教授的納米電子學和自旋電子學實驗室致力于這種模擬電子元件的研究。他們已經做出了一種可用作人工突觸的器件，該器件的研制基于自旋電子學，即電子自旋產生磁性這一量子理論。他們研制的器件由一條鈷/鎳帶組成，具有鐵磁性，這意味著在其中自旋將全部對齊。

然后把它和一條反鐵磁性的鉑錳合金帶交叉，該材料中相鄰原子層里的電子自旋方向是相互垂直的。在反鐵磁性層上施加電流能影響其自旋方向，這又會導致向磁層中的自旋電子施加扭矩，從而將磁化程度從高向低切換。與數字系統不同，這種切換不限于0或1兩種狀態，而是能被細分，取決于所施加的電流量。

低于開關電流量的讀取電流不會導致磁化切換，但輸出電壓取決于磁化水平。發送多個信號可導致自旋電子器件調整自身的阻抗，從而產生類似于加強或削弱神經元之間連接的效果，就和大腦中的突觸在形成記憶時一樣，腦科學家把這個過程稱為可塑性。參與本項目工作的大野實驗室博士研究生威廉·伯德斯（William Borders）說：“我們在這個學習過程中發出的信號越多—即在學習理解過程中增加或減少權重的次數越多，就越有機會讓系統記住我們真正想讓它做什么。通過訓練系統把一種磁化模式與字母C相關聯，另一種磁化模式與字母T相關聯，然后系統將能通過測量阻抗來再次識別這些字母?！?/p>

不同于大野的研究小組模擬單個突觸，斯太爾斯的研究小組正在基于自旋電子學模擬一組神經元和突觸。他們的器件由兩個被隔開的鐵磁層組成。當電流流過結點時，它在材料的自旋電子上產生一個扭矩，這將產生磁化的非線性振蕩，從而產生電壓振蕩。真正的神經元與這種非線性振蕩器有類似的行為，會發出電脈沖并相互同步。因此，自旋電子振蕩器可以模擬大腦中的活動。

另一種用模擬電路技術構建突觸的方法是采用憶阻器，憶阻器是最近被發現的第四種基本電路元件。憶阻器中電流的流動會改變其電阻，從而使器件具有存儲性。加州大學圣巴巴拉分校電氣和計算機工程教授德米特里·斯特魯科夫（Dmitri strukov）正在使用憶阻器來創建一個具有簡化突觸功能的多層感知器網絡。他說：“生物網絡要復雜得多，例如，根據脈沖的發送時機和形狀進行信息編碼，而我們目前只能忽略這一切?！?/p>

在學習階段，用高電壓調整憶阻器的狀態；在推理階段（例如嘗試將新的視覺模式與已學習過的模式進行匹配）則用較低的電壓。斯特魯科夫說，憶阻器是頗具前景的技術，因為有可能把它們做得很小，并且很容易堆疊，從而滿足神經形態系統所要求的高密度性。但另一方面，制造它們的工藝過程還不夠完善，目前還不能可靠地生產出數十億個完好的器件。
? ?? （責任編輯：fqj）