Advanced Intelligent Systems:神经形态器件及类脑芯片

如今,我们亟需新的计算概念来管理现代信息技术产生的大量数据。由于大脑天生就可以处理这些信号,成为了最有效的仿生学计算范例。

采用基于软件的人工神经网络来代表神经元处理是一种流行的方法,并对日常生活产生了巨大影响,通常被称为机器学习或人工智能。该方法需要在传统的冯·诺依曼计算机体系结构上执行神经网络的算法。

另一种方法是用实际的电子设备/电路直接模拟大脑的工作。在硬件层面上对大脑进行仿真,不仅可以在尺寸和效率上克服基于传统冯·诺依曼架构的硅技术的局限性,而且是通过逆向工程来理解大脑功能的必要条件。这种基于硬件的方法构成了神经形态设备/计算的主要研究范围。

到目前为止,神经形态学装置研究的焦点主要是模拟突触可塑性,突触可塑性是生物神经网络中结构或解剖学连接的一种形式。但也存在与感知相关联的更高阶现象,比如功能连接。

大脑的某些区域专门用于处理特定的外部刺激,例如视觉或运动控制。当视觉观察的结果需要做出动作时,在空间上分立的区域之间需要在功能上进行连接以关联这两个异构的信号(即视觉和运动控制)。功能连接通常被表示为彼此远离的神经群体的同步。为此,大脑中的全局电振荡使远距离神经群体同步,在短时间内诱导了它们之间的功能连接,从而突破了硬连线突触网络(hardwired synaptic network)的限制。

尽管该研究对生物神经通信有巨大的影响,但这种类型的功能连接在神经形态设备中仍有等待进一步探索。马克斯普朗克聚合物研究所的Paschalis Gkoupidenis博士,剑桥大学的George Malliara教授和南安普顿大学的Themis Prodromakis教授组成的团队,探索了一系列浸在常用电化学环境中的有机神经形态如何诱导出这种类脑功能连接。

这些有机神经形态器件受到全局电压振荡,并接收随机和独立的输入。这些装置会在全局振荡的特定相中同步,让人联想到生物神经元对全局振荡的相位锁定。值得注意的是,这项工作可以概括为:电解质可以用于浇筑由聚合物、铁电体、单晶、1D和2D材料制成的各种材料和器件。这些结果最近发表在Advanced Intelligent Systems上,为更多神经形态设备中合理的生物学机制的研究提供了一个平台。

马克斯普朗克高分子研究所首席研究员Paschalis Gkoupidenis博士评论说:“我们的研究团队使用模拟记忆设备,在模拟生物神经网络的结构连接方面取得了巨大进步,但我们才刚刚开始探索神经形态设备/架构中的全局现象。未来的挑战是如何将这些概念融入真实的神经形态计算方法中;例如,诱导神经形态电路中空间分布的子单元之间的动态链接,类似于大脑的功能连接。”