研究人员从人脑中汲取灵感，开发出一种能够进行更高层次思维的新型突触晶体管。该设备由西北大学、波士顿学院和麻省理工学院(MIT)的研究人员设计，可以像人脑一样同时处理和存储信息。在新的实验中，研究人员证明晶体管超越了简单的机器学习任务来对数据进行分类，并且能够执行关联学习。

尽管之前的研究已经利用类似的策略来开发类脑计算设备，但这些晶体管无法在低温之外运行。相比之下，新设备在室温下很稳定。它还可以快速运行，消耗很少的能量，即使断电也能保留存储的信息，这使其成为实际应用的理想选择。

“大脑的架构与数字计算机有着根本不同，”这项研究的共同领导者、西北大学的马克·C·赫萨姆(MarkC.Hersam)说。“在数字计算机中，数据在微处理器和内存之间来回移动，这会消耗大量能量，并在尝试同时执行多个任务时产生瓶颈。另一方面，在大脑中，记忆和信息处理位于同一位置并完全集成，从而导致能量效率提高几个数量级。我们的突触晶体管同样实现了并发记忆和信息处理功能，以更忠实地模仿大脑。”

Hersam是西北大学麦考密克工程学院材料科学与工程WalterP.Murphy教授、西北大学范伯格医学院医学教授以及西北大学温伯格艺术与科学学院化学教授。他还是材料科学与工程系系主任、材料研究科学与工程中心主任、国际纳米技术研究所成员。Hersam与波士顿学院的马琼和麻省理工学院的PabloJarillo-Herrero共同领导了这项研究。

人工智能(AI)的最新进展促使研究人员开发出更像人脑运行的计算机。传统的数字计算系统具有独立的处理和存储单元，导致数据密集型任务消耗大量能量。随着智能设备不断收集大量数据，研究人员正在努力寻找在不消耗更多电量的情况下处理所有数据的新方法。目前，记忆电阻器或“忆阻器”是最成熟的技术，可以执行组合处理和记忆功能。但忆阻器仍然面临能源成本高昂的切换问题。

“几十年来，电子领域的范例一直是用晶体管构建一切并使用相同的硅架构，”赫萨姆说。“通过简单地将越来越多的晶体管封装到集成电路中，已经取得了重大进展。你不能否认这一策略的成功，但它是以高功耗为代价的，特别是在当前的大数据时代，数字计算有望压倒电网。我们必须重新考虑计算硬件，尤其是人工智能和机器学习任务。”

为了重新思考这一范式，Hersam和他的团队探索了莫尔图案物理学的新进展，莫尔图案是一种几何设计，当两种图案相互层叠时就会出现。当二维材料堆叠时，会出现单独一层中不存在的新特性。当这些层扭曲形成莫尔图案时，电子特性前所未有的可调性成为可能。

对于新设备，研究人员结合了两种不同类型的原子薄材料：双层石墨烯和六方氮化硼。当堆叠并有目的地扭曲时，这些材料形成了莫尔图案。通过相对于另一层旋转一层，研究人员可以在每个石墨烯层中实现不同的电子特性，即使它们之间只有原子尺度的尺寸。通过正确选择扭曲，研究人员利用摩尔纹物理学在室温下实现神经形态功能。

“随着扭曲作为新的设计参数，排列的数量是巨大的，”赫萨姆说。“石墨烯和六方氮化硼在结构上非常相似，但差异足够大，足以产生异常强烈的莫尔效应。”

为了测试晶体管，赫萨姆和他的团队训练它识别相似但不相同的模式。就在本月早些时候，赫萨姆推出了一种新型纳米电子设备，能够以节能的方式对数据进行分析和分类，但他的新型突触晶体管使机器学习和人工智能又向前迈进了一步。

“如果人工智能是为了模仿人类思维，那么最低级别的任务之一就是对数据进行分类，这只是将数据分类到垃圾箱中，”赫萨姆说。“我们的目标是推动人工智能技术向更高层次的思维方向发展。现实世界的条件通常比当前人工智能算法能够处理的更为复杂，因此我们在更复杂的条件下测试了我们的新设备，以验证其先进功能。”

首先，研究人员向设备展示了一种模式：000(连续三个零)。然后，他们要求人工智能识别相似的模式，例如111或101。“如果我们训练它检测000，然后给它111和101，它就会知道111与000比101更相似，”Hersam解释道。“000和111并不完全相同，但都是连续的三位数字。认识到相似性是一种更高层次的认知形式，称为联想学习。”

在实验中，新型突触晶体管成功识别了相似的模式，显示了其联想记忆。即使研究人员抛出了曲线球——比如给它不完整的模式——它仍然成功地证明了联想学习。

“当前的人工智能很容易混淆，这在某些情况下可能会导致重大问题，”赫萨姆说。“想象一下，如果你使用自动驾驶汽车，而天气状况恶化了。车辆可能无法像人类驾驶员那样解释更复杂的传感器数据。但即使我们给晶体管提供不完美的输入，它仍然可以识别出正确的响应。”