【IT168 资讯】“以神经元为模型的超导计算芯片可以比人脑更快、更高效地处理信息。”《科学进展》（Science Advances）于近日所描述的这一成就是开发用于模拟生物系统的高级计算设备的关键基准。它可以打开更自然的机器学习软件的大门，虽然许多障碍仍然可以在商业上使用。

　　人工智能软件越来越多地开始模仿大脑。诸如Google的自动图像分类和语言学习程序等算法使用人工神经网络来执行复杂的任务。但是由于传统的计算机硬件并不是为了运行类似大脑的算法而设计的，所以这些机器学习任务所需的计算能力要比人脑大一倍。

　　美国国家标准与技术研究院（NIST）科罗拉多州博尔德市的物理学家迈克尔·施耐德（Michael Schneider）表示，“必须有更好的方法来做到这一点，因为大自然已经找到了一个更好的方法来做到这一点。”

　　NIST是少数尝试开发模仿人类大脑的“神经形态”硬件的组织之一，希望能够更有效地运行类似于大脑的软件。在传统的电子系统中，晶体管以固定的时间间隔和精确的数量处理信息，1或0位。但神经形态装置可以从多个来源积累少量的信息，改变它以产生不同类型的信号，并且只在需要时才发出一阵电，就像生物神经元一样。因此，神经形态装置只需要较少的能量来运行。

　　然而，这些器件仍然效率低下，尤其是当它们跨晶体管间隙或突触传输信息时。所以施奈德的团队从铌超导体中制造出类似神经元的电极，这些电极在没有阻力的情况下导电。他们填补了超导体与数以千计的磁性纳米团簇之间的空白。

　　通过改变突触中的磁场量，纳米团簇可以被对准以指向不同的方向。这允许系统在电力水平和磁力方向上对信息进行编码，赋予其比其他神经形态系统更大的计算能力，而不占用额外的物理空间。

　　一个人工神经突触与高速电测器相连

　　突触可以每秒发射10亿次，比人类神经元快几个数量级，并且使用万分之一的生物突触所使用的能量。

　　在计算机模拟中，合成神经元可以将来自多达九个来源的输入整理，然后将其传递到下一个电极。但是，在基于该技术的系统可用于复杂计算之前，需要数百万个突触，施耐德认为，还有待观察是否有可能将其扩展到这个水平。

　　另一个问题是，突触只能在接近绝对零度的温度下工作，需要用液氦冷却。研究神经形态计算的英国曼彻斯特大学（University of Manchester）的计算机工程师Steven Furber则表示，尽管大型数据中心可能能够维护这些芯片，但这可能会使芯片在小型设备中的使用变得不切实际。但施耐德却认为，冷却设备所需的能量比运行具有相同计算能力的传统电子系统要少得多。

　　替代方法

　　帕萨迪纳加利福尼亚理工学院的电气工程师Carver Mead对这项研究表示称赞，称其为神经形态计算的新方法。他认为，“这个领域充满了炒作，很高兴看到以客观的方式呈现高质量的作品。但是他补充表示，将芯片用于真正的计算还需要很长时间，并指出它们面临来自许多正在开发的神经形态计算设备的激烈竞争。

　　Furber还强调，实际应用在未来还很遥远。他认为，“设备技术可能非常有趣，但是我们还没有足够的了解生物突触的关键性质，知道如何有效地使用它们。”例如，关于突触如何在形成存储器时改造自己，有许多突出的问题，使得难以在存储器存储芯片中重新创建该过程。

　　不过，Furber表示，因为新型计算设备需要10年或更长的时间才能进入市场，所以即使神经科学家努力了解人类的大脑，也有必要尽可能多地开发不同的技术方法。