数据量和计算需求的指数级增长，以及目前性能已经趋于饱和的传统晶体管计算系统，激发了人们对新型计算基元的兴趣。迄今为止，仿生或神经形态人工智能的硬件方法主要依赖于复杂的晶体管电路来模拟生物功能，还没有一种单一的电子元件可以模拟神经元的功能。周期尖峰只需要二阶复杂度，但在电路元件中产生神经形态动作电位，理论上至少需要三阶复杂度。基于晶体管的传统数字芯片在模拟代表神经元丰富的非线性动力学的复杂方程的过程中会变的复杂、庞大且能量低下。而设计和制备高阶电子元件将能够实现极为高效的神经形态人工智能。
近日，惠普实验室的Suhas Kumar等人通过实验和建模，利用多个电物理过程（包括Mott转变动力学在内）构建了具有三阶复杂度的纳米电路元件。并组建了基于这种三阶元件的无晶体管简单集成网络。集成网络能够执行布尔运算，并为图像分割这一计算难题提供了模拟解决方案。这项工作为非常紧凑和密集的功能性神经形态计算基元和高效能的神经科学模型验证铺平了道路。该研究以题为“Third-order nanocircuit elements for neuromorphic engineering”的论文发表在最新一期的《Nature》上。
【三阶纳米元件的结构】
作者制备了小于100 nm的元件，每个元件中包含NbO2易失性Mott忆阻开关，一个内部并联电容器，以及一个内部串联电阻（图1a-c）。电流-电压曲线表明器件在低电流时呈现S形的负微分电阻（negative differential resistance, NDR），高电流时为箱形迟滞（图1d）。这里展示的与Mott转变相关的独特动力学之前从未被详细研究过，这种转变提供的额外状态变量可以用来产生神经形态功能。为了获得想要的高阶Mott转变动力学，对元件的几何结构进行了优化，提升了电学性质和热学性质，同时对材料的成分也进行了微调（图1h）。
图1 元件结构与静态测试
【利用Mott转变产生神经动作电位】
元件与可调的电压相连。通过调节施加的电压，可以访问其电流-电压曲线的不同部分（图2a）。当偏压刚好低于迟滞时（Vext=1.8 V），可以观察到自维持的正弦振荡。当偏压在迟滞内部时（Vext=1.95 V），能够观察到周期性的双尖峰爆裂（two-spike bursting），并在较高的电压下（Vext=2.05 V）转变为周期性的单尖峰，与神经元的动作电位类似（图2b,c）。在更高的电压下（Vext=2.1 V），这些峰会突然呈现出类似于神经元的超阈值阻尼尖峰的低强度周期性特征。通过调节施加在元件上的偏压，这种三阶元件能够表现出15种不同的神经形态反应。随后，作者建立了一个简单紧凑的有限元模型，在仿真中探讨了动力学问题。建立的三阶模型中有三个状态变量，每一个状态变量都有一个独特的动力学方程：T,Vm以及Rmet（T为温度变量，Vm为施加于NbO2上的电压，Rmet为NbO2高导态时的可变欧姆导体，用来表示Mott转变动力学）。该模型的数值模拟与实验数据一致(图2e g)，从而证明Mott绝缘体能够作为非线性响应的基础，在电路中产生动态行为。
生物神经元的动作电位包含三部分，即相对于静息态的上升、降低和下降（up-shoot, lowering and under-shoot，图2h,i）。作者利用模型将其与Mott转变驱动的特定温度响应相联系，阐明了纳米元件产生神经形态动作电位的机理（图2i-k）。
图2 动作电位的实验测量与建模
【三阶元件实现传统逻辑运算】
作者构建了一个包含三个这种三阶元件以及一个可调耦合电阻的简单电路（图3a）。通过对输入电压和耦合电阻的调节，实现了信号的传导，进一步成功完成了晶体管电路中的NAND（与非门）和NOR（或非门）的操作（图3b,c）。
图3 三阶元件实现通用的布尔逻辑门操作
【纳米元件解决图像分割计算难题】
最后，作者构建了一个包含24个三阶纳米元件的集成阵列用来实验演示模拟计算。该系统与人脑中的丘脑-皮层计算有相似之处，它发生在振荡神经元网络中，这些神经元通过可调节的突触或是处理和传输神经信号的中枢/丘脑连接在一起（图4a,c,d）。这导致了神经振荡动态的同步，从而导致了时空的分类，如自然语言以及人脸识别等（图4b）。作者利用构建的系统来解决病毒准种重建问题（通常表示为图像最大分割问题）。实验结果与对应图片划分的最优解相一致（图4h-j），证明了基于这种三阶元件在模拟计算时相对于传统晶体管电路的高效性。
图4 神经形态模拟计算的实验演示
总结：作者以NbO2中Mott转变为额外的动力学过程，构建了一个单独的具有三阶复杂度的纳米电路元件。在恒压下元件能够产生神经形态的动作电位行为。基于这种元件，作者演示了完整的逻辑电路操作，并进一步演示其在目前基于冯·诺伊曼的传统数字计算机难以解决的计算难题上的优越性，推动了高性能的神经形态计算基元的发展。
来源：
