上。在人工神经网络中，许多称为神经元的组件被植入数据并协同解决人脸识别等问题。神经网络反复调整它们的突触——神经元之间的连接——以确定由此产生的行为模式是否是更好的解决方案。但随着时间的推移，神经网络最终会在其计算中发现最佳行为模式。然后它选择这些模式作为默认模式，模仿人脑的学习过程。尽管AI系统越来越多地在现实世界中找到更多应用，但鉴于用于为其供电的硬件的局限性，它们仍然面临着重大挑战。为了解决这个问题，研究人员开发了受人脑启发的神经形态计算机硬件。例如，神经形态微芯片组件可能仅在特定时间内接收到特定数量的输入时才会发出尖峰信号或生成输出信号。这是一种更接近真实生物神经元行为方式的策略。与典型的人工神经网络相比，这些设备发出的尖峰极少，因此处理的数据少得多，同时原则上需要的功率和通信带宽也少得多。然而，神经形态硬件通常使用传统电子设备，这最终限制了它们可以实现的复杂功能和信号传输速度。例如，每个生物神经元都可以有数万个突触，但神经形态设备很难将它们的人工神经元相互连接起来。为此，一种有效的解决方案是复用，即一个信号通道可以同时承载更多的信号。然而，随着芯片变得越来越大和越来越复杂，运算速度会减慢。在一项新研究中，美国国家标准与技术研究院(NIST)的研究人员探索了使用光发射器和接收器连接神经元的方法。原则上，光学链路或波导可以以光速将每个神经元连接到数千个其他神经元。相关论文发表于《自然 · 电子学》。论文地址：https://www.nature.com/articles/s41928-022-00840-9研究综述研究人员使用了一种能够检测单光子的超导纳米线器件，其中可检测到的光信号为最小单位，可以被视为能效的物理极限。下面的渲染图显示了如何使用模拟神经元突触（大脑中神经元之间的接口点）的超导电路来创建未来的人工光电子神经元。执行光子神经计算通常很棘手，因为它通常需要能够长时间捕获光的光腔。在集成微芯片上创建这样的空腔并将它们与许多波导连接起来极具挑战性。因此，研究人员开发了一种混合电路系统，其中每个检测器的输出信号被转换成大约2皮秒长的超快电脉冲。这些脉冲都是由超导量子干涉仪或超导量子干涉仪(SQUID)网络内的单个磁波动或磁通量引起的。“多年来，我们一直在努力进行理论研究，以发掘使技术能够达到神经形态计算物理极限的基本原理，”通讯作者、NIST研究员JeffreyShainline说。“对这一目标的追求使我们想到了这个概念——将单光子水平的光通信与约瑟夫森结执行的神经网络计算相结合。”超导量子干涉仪（SQUID）由一个或多个约瑟夫森结构组成，一种上下结构的三明治结构，是一种超导材料，中间由绝缘薄膜隔开。如果通过约瑟夫森结（JJ）的电流超过某个阈值，超导量子干涉仪就会开始产生磁通量。感测到光子后，单光子探测器(SPD)会产生通量量子，然后将其作为电流收集在SQUID的超导回路中。这种存储的电流作为一种记忆形式，记录神经元尖峰脉冲的次数。下面的图2显示了布局和完整的电路。a是整个突触电路的3D布局；b是成品的显微镜图像；c是SPD布局；d是制造中的SPD；e为JJ和分流电阻的布局；f是制造中的JJ和分流器；g是用于DR（dendriticreceiving，树突状接收）循环的SQUID；h是制造中的DRSQUID。Shainline感叹道：“让电路正常工作实际上非常容易。在设计阶段制作和试验需要花费大量时间，但实际上，我们第一次制作这些电路时，它们就已经可以工作了。这预示着此类系统未来的可扩展性。”研究人员将单光子检测器与约瑟夫森结合，形成超导突触。他们计算出突触的峰值频率可以超过1000万赫兹，而每个突触事件消耗大约33attojoules的能量（1attojoule等于10^-18焦耳）。相比之下，人类神经元的最大平均峰值速率仅为约340Hz，而每个突触事件消耗约10femtojoules（1femtojoule等于10^-15焦耳）下图3为时间常数为6.25μs、电感为2.5μH的单个突触的特性。测量显示实际值分别为8.06μs和3.2μH。下面的图4表明突触传递函数可以在很宽的时间范围内设计。此外，研究人员可以实现这些电路设备的输出时间从数百纳秒到毫秒不等。这也意味着硬件可以与一系列系统接口，从电子设备之间的高速通信到人机之间更轻松的交互。未来，研究人员将把他们的新突触与片上光源结合起来，创造出完全集成的超导神经元。“实现完全集成的超导神经元仍然是一个巨大的挑战，但如果我们能够集成最后一部分，就有充分的理由相信它最终会成为一个强大的人工智能计算平台，”Shainline说。
