这种人工突触的运行速度比人脑快一百万倍

虽然我们还没有接近于用任何人造的东西来复制人脑的复杂性和复杂性，但科学家们正在某些专用设备上取得进展——比如新开发的可编程电阻器。

基于旨在模仿人脑的结构，电阻器可用于构成人工智能系统中的模拟神经网络。

这种最新设备处理信息的速度比将神经元连接在一起的大脑突触快大约一百万倍。

特别是，人工突触旨在用于模拟深度学习，这是一种推进 AI 的方法，可以提高速度，同时减少能源使用——这对于负担能力和对地球自然资源的需求都很重要。

这种最新电阻器的显着改进的关键是使用了一种特别选择的高效无机材料。该项目背后的团队表示，人工智能神经网络学习速度的提高有望取得重大进展。

麻省理工学院 (MIT) 的计算机科学家 Murat Onen 说：“一旦你拥有了模拟处理器，你将不再训练其他人正在研究的网络。”

“你将以前所未有的复杂性训练网络，这是其他人无法承受的，因此会大大超越所有网络。换句话说，这不是一辆更快的汽车，而是一艘航天器。”

所讨论的无机材料基于磷硅酸盐玻璃 (PSG)——添加了磷的二氧化硅。用作电阻器中的固体电解质，当向装置施加 10 伏脉冲时，其纳米级孔隙允许质子以前所未有的速度通过它。

更好的是，PSG 可以使用与制造硅电路相同的制造技术来制造。这应该可以更容易地集成到现有的生产流程中，而不会增加太多成本。

在大脑中，突触会被加强或减弱，以控制信号和其他信息的流动。在这里，控制质子的运动以影响电导具有相同的效果。它速度快、可靠，而且都可以在室温下运行，因此也更加实用。

“速度确实令人吃惊，”奥南说。

“通常情况下，我们不会在设备上应用这种极端场，以免将它们变成灰烬。但相反，质子最终以极快的速度穿梭在设备堆栈中，特别是比我们以前的速度快一百万倍。

“而且这种运动不会损坏任何东西，这要归功于质子的体积小和质量低。这几乎就像瞬移一样。”

这里的巨大潜力是使用更少的能量进行更快的人工智能训练。为了创建一个可行的神经网络，电阻器将以棋盘式阵列堆叠在一起，这些阵列可以并行操作以提高速度。

至于下一步，研究人员将不得不利用他们在开发这种电阻器方面所学到的知识，并对其进行调整，以便进行更大规模的生产。这并不容易，但团队有信心可以做到。

最终结果将在 AI 系统中看到，这些系统承担诸如识别图像中的内容或处理自然语音命令等任务。

人工智能必须通过分析大量数据来学习的任何事物都有可能得到改进。这也扩展到自动驾驶汽车和医学图像分析等领域。

进一步的研究将使这些电阻器能够嵌入到实际系统中，并克服目前限制可施加电压的潜在性能瓶颈。

“前进的道路仍然非常具有挑战性，但与此同时，它也非常令人兴奋，”麻省理工学院的计算机科学家和研究作者 Jesús del Alamo 说。

该研究已发表在《科学》杂志上。