神经拟态计算旨在通过模仿构成人脑的神经元和突触的机制来实现人工智能（AI）。受当前计算机无法提供的人脑认知能力的启发，神经形态设备得到了广泛研究。然而，目前基于互补金属氧化物半导体（CMOS）的神经形态电路只是简单地将人工神经元和突触连接起来，没有协同作用，同时实现神经元和突触仍然是一个挑战。为了解决这些问题，KAIST材料科学与工程系KeonJaeLee教授领导的研究团队通过在单个记忆单元中引入神经元-突触相互作用来实现人类的生物工作机制，而不是传统的电学方法连接人工神经元和突触设备。2022年5月19日发表在《自然通讯》期刊上的研究结果名为“使用记忆突触同时模拟突触和内在可塑性”。KeonJaeLee教授解释说，“神经元和突触相互作用以建立认知功能，例如记忆和学习，所以模拟两者是类脑人工智能的基本要素。所开发的神经形态记忆装置还模拟了再训练效应，通过实现神经元和突触之间的正反馈作用，可以快速学习遗忘的信息。人脑是一个由1000亿个神经元和100万亿个突触组成的复杂网络，人脑的学习、记忆等智力能力来自于一个由近1000亿个神经元和突触组成的复杂网络，一个神经元结合了突触前的输入刺激发出电脉冲，突触连接相邻的神经元，通过网络传递信号。此外，神经元和突触的功能和结构可以根据外部刺激灵活变化，适应周围环境。根据以往的经验，神经元和突触可以被修改以重组神经通路。突触可塑性，突触适应性改变连接强度的能力，以其对学习和记忆的贡献而闻名。许多细胞和分子研究也表明，神经元不仅参与信息处理，还通过内在可塑性促进记忆形成，t从而调节神经元的兴奋性。突触和神经元内在可塑性在所有主要学习形式中同时发生，使大脑能够有效地执行智能任务和概率处理。受认知人类大脑的启发，神经形态计算以生物神经网络的硬件体现为目标，以实现人工智能(AI)。由于与基于CMOS的方法相比具有更高的能效和可扩展性，因此单个神经元和突触的设备实现已得到广泛研究。（来源：Pixabay）忆阻器的出现极大地加速了人工突触的发展，忆阻器具有滞后电阻开关特性。由于电阻开关行为与突触可塑性非常相似，因此非易失性忆阻器已成功模拟短期和长期突触可塑性。人工神经元还使用易失性忆阻器进行了演示，模拟了从生物学上合理的整合和放电模型到生物物理学Hodgkin-Huxley(HH)模型的神经元模型。人工神经元和突触的整合对于开发具有高级认知功能的神经形态智能计算机至关重要。此前，还报道了能够进行模式识别和简单决策的忆阻神经网络，显示出优于传统冯诺依曼架构的性能。然而，尽管它们在学习和记忆中起着重要作用，但很少有研究证明了人工神经元内在可塑性的模拟。此外，内在可塑性和突触可塑性之间的协同相互作用应该涉及各种形式的学习，例如经典条件反射、空间学习和再训练。先前的研究报告了单个设备中的易失性和非易失性切换，但这些研究显示了从易失性切换到非易失性切换的转变，而不是两种切换机制与突触的相互作用。角色共存。神经元兴奋性和突触权重变化应该在单个设备中实现，以同时解决大脑启发的认知AI中的神经可塑性。图|神经元膜结构图（左）和相应的TS-PCM电路表示（右）（来源：Nature）基于伴随神经可塑性的协同相互作用的正反馈学习循环。最后，通过使用具有伴随可塑性和反馈学习循环的阈值切换相变存储器(TS-PCM)，成功实现了4×4模式的记忆和再训练。这是一种纳米级神经形态记忆设备，可以在单个单元中同时模拟神经元和突触，其中短期和长期记忆共存，分别使用模拟神经元和突触的易失性和非易失性特征。性记忆装置。阈值开关器件用作易失性存储器，相变存储器用作非易失性器件。两个没有中间电极的薄膜器件的集成使神经元和突触在神经形态记忆中的功能适应成为可能。图|由底部易失性和顶部非易失性存储层组成的神经形态存储设备，分别模拟神经元和突触特性（来源：KAIST）与商用显卡类似，之前研究的人工突触设备通常用于加速并行计算与操作显着不同人脑的机制。研究团队在神经形态记忆装置中实现了神经元与突触之间的协同相互作用，模拟了生物神经网络的机制。此外，开发的神经形态器件可以用单个器件代替复杂的CMOS神经元电路，具有高度可扩展性和成本效益。研究人员表示，这是朝着使用半导体设备严格模拟人脑的神经形态计算目标迈出的又一步。
