科学家创造出一种人工突触，即神经元彼此通信的连接处。它有助于计算机更好地复现人脑处理信息的方式，并推动脑机技术取得进展。
“它的工作方式像真正的突触，但它是一种可以通过工程手段制造的有机电子器件。”斯坦福大学材料科学与工程副教授、论文资深作者阿尔贝托·萨莱奥说。“这是一类全新的器件，因为此前从未出现过这种架构。在许多关键指标上，它的表现也优于以往所有无机材料器件。”
这项新型人工突触的研究成果发表于《自然·材料》，它模仿脑内突触通过穿过自身的信号进行学习的方式。与传统计算相比，这能显著节省能源；传统计算需要分别处理信息，再将其存入存储器。而在这里，处理过程本身就会形成记忆。
这种突触未来或可成为更类脑计算机的一部分，尤其有助于处理视觉和听觉信号的计算任务。语音控制界面和无人驾驶汽车就是这类应用的例子。过去，这一领域的研究已开发出由人工智能算法支持的高性能神经网络，但它们仍只是与大脑相去甚远的模仿者，依赖耗能的传统计算机硬件。
构建神经网络
我们学习时，大脑中的神经元之间会传递电信号。信号第一次通过突触时，所需能量最多；之后每次通过，这条连接所需的能量都会减少。突触正是以这种方式，高效地帮助我们学习新知识并记住所学内容。与大多数其他类脑计算方案不同，这种人工突触也能同时完成这两项任务，并大幅节省能源。
“深度学习算法非常强大，但它们依赖处理器来计算和模拟电状态，还要把这些状态存储在别处，因此在能耗和时间方面效率都不高。”萨莱奥实验室前博士后研究员、论文第一作者约里·范德布尔特说。“我们的工作不是模拟神经网络，而是尝试制造一个神经网络。”
这种人工突触以电池设计为基础。它由两层薄而柔韧的薄膜构成，设有三个端子，并由盐水电解质连接。该器件的工作方式类似晶体管，其中一个端子控制另外两个端子之间的电流。
研究人员通过反复放电和充电来对人工突触进行编程，这类似于学习强化大脑中的神经通路。经过这种训练，他们能够以1%的不确定度预测使突触达到特定电状态所需的电压；达到该状态后，突触便会保持在这一状态。换句话说，普通计算机需要在关机前把工作保存到硬盘，而这种人工突触无需额外操作或部件，就能记住其编程状态。
一项艰巨任务
目前只制造出一个人工突触，但桑迪亚的研究人员利用对该突触进行实验所得的15,000项测量数据，模拟了由多个此类突触组成的阵列在神经网络中的工作方式。他们测试了模拟网络识别0至9手写数字的能力。在三个数据集上进行测试后，模拟阵列识别手写数字的准确率达到93%至97%。
这项任务对人来说相对简单，但传统计算机很难解读视觉和听觉信号。
“我们越来越希望计算设备能够完成需要类脑计算的任务，因为用传统计算方式完成这些任务正变得越来越耗能。”论文资深作者、加利福尼亚州利弗莫尔市桑迪亚国家实验室的A.亚历克·塔林说。“我们展示了一种非常适合运行这类算法、而且耗电量低得多的器件。”
这种器件非常适合执行信号识别和分类任务，而传统计算机难以胜任这类任务。数字晶体管只能处于两种状态，例如0和1；研究人员则成功地为人工突触编程设置了500种状态，这对神经元类计算模型很有用。在状态切换时，该器件所用能量约为先进计算系统将数据从处理单元传送到存储器所需能量的十分之一。
不过，这仍意味着其能耗约为生物突触触发所需最低能量的10,000倍。研究人员希望，在更小型的器件中测试人工突触后，能够达到神经元级别的能效。
脑机接口
该器件的每个部分都由廉价的有机材料制成。这些材料并非天然存在，但主要由氢和碳构成，与大脑的化学环境相容。研究人员已在这些材料上培养出细胞，还曾用它们制造神经递质人工泵。用于训练人工突触的电压，也与人体神经元中传递的电压相同。
这意味着人工突触有可能与活体神经元通信，从而改进脑机接口。该器件柔软且富有弹性，也适合用于生物环境。不过，在应用于生物领域之前，研究团队计划先构建一个真正的人工突触阵列，以开展进一步研究和测试。
该研究获得了美国国家科学基金会、凯克教师学者基金、斯坦福大学Neurofab、斯坦福研究生奖学金、桑迪亚实验室定向研究与开发计划、美国能源部、荷兰奖学金、格罗宁根大学优秀学生奖学金、亨德里克·穆勒国家基金、Schuurman Schimmel-van Outeren基金会、Renswoude基金会（海牙和代尔夫特）、马可·波罗基金、巴西国家科学技术研究所/国家有机电子研究所、圣保罗州研究基金会以及巴西国家委员会的资助。
