神经形态计算研究：团队提出了模仿人脑的硬件

a） 斜坡反转温度协议。主要回路标签如下：ML1-W代表加热时的主要回路一;ML1-C 代表冷却时的 Major Loop One，同样代表其他主要回路。在子回路中，温度在TLn = 59.5 °C的低温和THn = 68 °C的高温之间反复变化，总共有n = 11个完整的子回路。黑色、红色/橙色、绿色、青色和蓝色代码表示面板 （a-c） 中滞后协议的相同区域。b） 整个面板 （a） 斜坡反转协议中平均强度与温度的滞后曲线。c） 平均强度与帧数的关系。在考虑了照明变化后，强度为0（黑色）至255（白色）的灰度（详见其他部分[19]）。浅灰色虚线遵循每个子循环结束时的平均强度。插图：每个子环路末端（即 THn 处）的平均强度与子环路指数 n 的拟合与指数饱和度的拟合。时间常数为 nτ = 3.1 ± 0.5 个子循环。在图（b）和（d）中可以看到这种上升是红色/橙色/绿色曲线的凸起。d） 缩放显示高温转折点 TH = 68 °C 周围平均强度在每个子环后逐渐增加。

随着人工智能的出现，科技正越来越接近超高速计算世界。但是，这个世界是否配备了合适的硬件，能够处理新的人工智能技术突破带来的工作量?

在普渡大学、加州大学圣地亚哥分校（USCD）和法国巴黎高等物理与化学工业学院（ESPCI）的物理学家的共同努力下，研究人员认为他们可能已经发现了一种通过模仿人脑突触来改造硬件的方法。

为了应对未来计算发展的复杂性，硬件的新范式将是必要的。根据这项研究的首席理论科学家Carlson的说法，“神经形态架构有望实现更低能耗的处理器、增强的计算能力、从根本上不同的计算模式、原生学习和增强的模式识别。”

神经形态架构基本上可以归结为模拟大脑行为的计算机芯片。神经元是大脑中传递信息的细胞。神经元的末端有小间隙，信号可以从一个神经元传递到另一个神经元，这些间隙被称为突触。在生物大脑中，这些突触编码记忆。这组科学家得出结论，钒氧化物在神经形态计算方面显示出巨大的前景，因为它们既可以用来制造人工神经元，也可以用来制造突触。

Carlson解释道：“硬件和软件之间的不和谐是训练成本极高的原因，例如，像ChatGPT这样的大型语言模型。相比之下，神经形态结构有望通过模拟大脑的基本组成部分：神经元和突触来降低能量消耗。尽管硅擅长记忆存储，但这种材料不容易产生神经元样行为。”

“最终，要提供高效、可行的神经形态硬件解决方案，需要研究与硅行为完全不同的材料，这些材料可以自然模拟突触和神经元。不幸的是，人工突触和神经元的设计需求相互竞争，这意味着大多数制造好的突触的材料都不能像神经元一样发挥作用，反之亦然， 其中大多数是量子材料，已经证明了两者兼而有之的能力。“

该团队依赖于最近发现的一种非易失性存储器，该存储器由绝缘体到金属过渡过程中的重复局部温度循环驱动。这种记忆是在钒氧化物中发现的。

巴黎索邦大学(Sorbonne University)的首席实验科学家Alexandre Zimmers解释说:“只有少数量子材料是未来神经形态设备的良好候选材料，即模仿人工突触和神经元。在其中一种叫做二氧化钒的物质中，我们第一次能从光学上看到这种物质作为人造突触的作用时发生了什么变化。我们发现记忆在整个样本中积累，为如何以及在何处控制这种特性提供了新的机会。”

现在，研究小组已经确定钒氧化物是未来神经形态装置的可能候选者，他们计划在他们的下一阶段的研究中前进。

“现在我们已经建立了一种观察这种神经形态材料内部的方法，我们可以局部调整和观察，例如，离子轰击材料表面的影响，”Zimmers解释说。“这可以让我们引导电流通过样品中记忆效应最大的特定区域。这有可能显著增强这种神经形态物质的突触行为。”