随着人工智能 (AI) 工具的快速发展，世界各地的工程师一直致力于研究复制人脑组织和功能的新架构和硬件组件。

迄今为止，大多数受大脑启发的技术都是从脑细胞（即神经元）的放电中汲取灵感，而不是反映神经元素的整体结构及其如何促进信息处理。

清华大学的研究人员最近推出了一种新的神经形态计算架构，旨在复制突触的组织（即神经元之间的连接）和树突的树状结构（即从神经元体延伸的投影）。

这种新的类脑人工系统纸发表于自然电子学，是使用带有离子掺杂溶胶-凝胶薄膜的多栅极硅纳米线晶体管的计算模型实现的。

“当我还是意大利米兰理工学院人工智能和大脑生物工程专业的硕士生时，我就想到了模拟大脑连接稀疏性和形态（例如神经元树突）的想法，以设计高效的人工智能，”Carlo Vittorio Cannistraci 说道，通讯作者之一告诉 Tech Xplore。

“我还对大脑机制的优雅着迷，例如‘沉默突触’，当它们被增强的电激活包围时，它们就会启动其功能。”

Cannistraci 从之前的研究和研究兴趣中汲取灵感，最近开始通过计算来实现复杂的大脑机制。作为最近研究的一部分，他与清华大学的其他研究人员合作，使用神经形态计算模型复制树突的形态和突触的基础。

“有一天，卡洛让我学习‘树突计算’，因为我们的之前的合作研究“关于‘神经晶体管’的研究有可能模仿树突特性，”通讯作者之一 Eunhye Baek 告诉 Tech Xplore。

“施路平教授和我一直在寻找开发神经形态视觉传感器系统的方法，我们认识到这种方法的潜力。

“我的兴趣一直是构建更多类似大脑/神经元的动态信息处理系统。树突计算让我非常兴奋，因为它包含广泛的动态和复杂特性，而这些特性尚未在神经形态工程中得到广泛研究。”

迄今为止进行的大多数神经形态计算研究都集中在复制与学习相关的突触过程以及人工复制神经元尖峰的生成。这些研究通常将树突建模为简单的传输线，从而忽略了与其独特形态相关的功能。

“树突利用其树状形态来映射空间分布的信号，表现出分支特异性的可塑性，并整合各种突触，”Baek 解释道。

“每个树突分支对具有特定方向性的信号特别敏感，使它们专门用于处理时空信号。我们的研究重点是这些复杂的树突功能。”

Cannistraci、Shi、Baek 及其合作者设计并开发了一种反映生物树突形态和功能的新装置。这种设备被称为“树状晶体”，通过利用涂有离子掺杂溶胶凝胶薄膜的多栅极晶体管的物理原理来模拟树突执行的计算。

Baek 说：“这种薄膜通过允许掺杂离子与神经元树突中的离子类似地移动来模仿树突分支，从而调节晶体管的电流以反映树突膜电位的变化。”“我们的研究表明，树突表现出非线性树突集成和方向选择性。”

除了树突器件之外，该研究小组最近的论文还介绍了一种人工沉默突触。在该系统中，溶胶凝胶薄膜中树突分支的电压确保突触输入仅在薄膜达到特定阈值时激活，从而提高系统辨别移动视觉刺激方向的能力。

“受视网膜和视觉皮层神经回路的启发，我们还创建了一种神经形态树突神经回路，可以计算移动信号的方向，”Baek 说。“该电路展示了检测 2D 和深度移动信号的能力，将它们集成以重建 3D 空间中物体的移动方向。”

通过密切反映树突神经元的稀疏连接，Cannistraci、Baek 及其同事引入的新神经形态计算方法被发现获得了显着的能源效率。事实上，该系统展示了利用比现有系统更少的神经元来检测运动的潜力人工神经网络（人工神经网络）。

这种新架构的主要优点是它超越了复制生物神经元的功能。与其他现有的神经形态计算平台相比，它还再现了神经元的结构和稀疏连接性，包括树突的形态和沉默突触的基础。

Baek 说：“尽管神经形态研究中有多种方法可以实现智能，但我们的研究独特地表明了神经元及其突触连接形态在动态信号处理中的重要性。”

“我们通过模仿生物神经元通过突触输入的空间稀疏映射形成功能性神经回路的方式来实现这一目标，强调了这种形态对于有效的神经形态信息处理的重要性。”

值得注意的是，该研究小组首次证明抑制性突触和沉默突触的空间位置也可以控制神经形态系统中神经元的信号处理。这种见解可以指导其他再现沉默突触的计算模型和架构的设计。

Cannistraci 说：“人们对稀疏性和形态学的理解很少，也很难用于构建下一代人工智能。”“我们的研究首次展示了如何利用真实大脑网络的这两个特征来设计下一代神经形态神经网络，以实现高效的人工智能。”

Cannistraci、Baek 及其同事最近的努力可能很快就会为基于半导体器件的神经形态系统工程开辟新的、令人兴奋的途径。具体来说，他们提出的受大脑启发的设计可以有助于开发消耗更少能源的新设备和人工智能工具，从而为更可持续的计算铺平道路。

在接下来的研究中，研究人员计划使用先进的抑制连接进一步扩展他们的人工神经回路，这可以进一步提高动态视觉信号的分类。为此，他们将尝试密切模仿大脑发育早期阶段观察到的神经连接。

Cannistraci 补充道：“我们计划开发新的神经形态树突网络架构，该架构可以执行深度学习，并可以解决视觉感知之外的其他人工智能任务，例如时间序列分析和听觉任务。”

“此外，我们希望开发能够处理和关联不同类型的感官输入（例如视觉和听觉）的多模态电路。最后，我们希望将这种稀疏和形态计算范式扩展到已实现的经典类型的人工神经网络在数字硬件上。”

© 2024 Science X 网络