由于加州大学圣地亚哥分校(University of California San Diego)研究人员开发的一种新型人工神经元设备，训练神经网络执行图像识别或自动驾驶汽车导航等任务，未来可能需要更少的计算能力和硬件。该设备可以运行神经网络计算，使用的能量和面积比现有的cmos硬件少100到1000倍。

 

研究人员在《自然-纳米技术》杂志最近发表的一篇论文中报告了他们的工作。

 

神经网络是一系列相互连接的人工神经元层，其中一层的输出为另一层提供输入。生成输入是通过应用称为非线性激活函数的数学计算来完成的。这是运行神经网络的关键部分。但是应用这个功能需要大量的计算能力和电路，因为它需要在两个独立的单元——内存和外部处理器之间来回传输数据。

 

硬件神经网络PCB

 

一种由激活(或神经元)设备阵列和突触设备阵列组成的定制印刷电路板。资料来源:自然纳米技术研究中心Oh Sangheon

 

现在，加州大学圣地亚哥分校的研究人员已经开发出一种纳米大小的设备，可以有效地执行激活功能。

 

“随着神经网络模型变得越来越大、越来越复杂，硬件中的神经网络计算变得越来越低效，”加州大学圣地亚哥雅各布斯工程学院(UC San Diego Jacobs School of engineering)电子和计算机工程教授杜伊古·库祖姆(Duygu Kuzum)说。天富代理“我们开发了一种单一的纳米级人工神经元设备，以一种非常区域和节能的方式在硬件上实现这些计算。”

 

由Kuzum和她的博士生Sangheon Oh领导的这项新研究，是与加州大学圣地亚哥分校物理学教授Ivan Schuller领导的能源部能源前沿研究中心合作进行的，该中心专注于开发节能人工神经网络的硬件实现。

 

该装置实现了神经网络训练中最常用的激活函数之一，称为整流线性单元。这个功能的特别之处在于，它需要硬件来经历电阻的逐渐变化才能工作。而这正是加州大学圣地亚哥分校的研究人员设计他们的设备要做的——它可以逐渐从绝缘状态转变为导电状态，而且这需要一点热量的帮助。

 

激活设备阵列

 

一组激活(或神经元)装置。资料来源:自然纳米技术研究中心Oh Sangheon

这个转变被称为莫特转变。它发生在一纳米级的二氧化钒层中。在这层之上是一个由钛和黄金制成的纳米线加热器。当电流流经纳米线时，二氧化钒层会慢慢升温，导致一个缓慢的、可控的从绝缘到导电的转换。天富代理

 

这项研究的第一作者Oh说:“这种设备架构非常有趣和创新。”他解释说，通常情况下，莫特过渡的材料会经历从绝缘到导电的突然转变，因为电流直接流过材料。“在这种情况下，我们让电流通过材料顶部的纳米线来加热它，并诱导一个非常渐进的电阻变化。”

 

为了实现该装置，研究人员首先制造了一个所谓的激活(或神经元)装置阵列，以及一个突触装置阵列。然后，他们将两个阵列集成在定制的印刷电路板上，并将它们连接在一起，创建一个硬件版本的神经网络。

 

研究人员利用该网络处理了一张图像——这次是加州大学圣地亚哥分校盖泽尔图书馆的图片。该网络执行一种称为边缘检测的图像处理，识别图像中物体的轮廓或边缘。该实验表明，集成硬件系统可以执行卷积运算，这是许多类型的深度神经网络必不可少的。

 

研究人员表示，该技术可以进一步扩大规模，以完成更复杂的任务，如自动驾驶汽车的面部和物体识别。Kuzum指出，随着工业界的兴趣和合作，这是有可能实现的。

 

库赞姆说:“现在，这只是一个概念验证。”“这是一个很小的系统，我们只在其中堆叠了一个突触层和一个激活层。通过将更多的这些材料叠加在一起，你就可以为不同的应用制作一个更复杂的系统。”