比人脑突触快一百万倍的质子可编程电阻器研制成功

来自麻省理工学院(MIT)的多学科研究团队正在努力提高人工突触的速度极限。他们在制造过程中使用了一种实用的无机材料，使得该设备的运行速度比上一版本快100万倍，比人脑中的突触快约100万倍。这项研究最近发表在《科学》期刊上。

麻省理工学院开发的这种无机材料使电阻器非常节能。与早期设备中使用的材料不同，新材料与硅制造技术兼容。这一变化使得制造纳米级设备成为可能，并可能为集成到深度学习应用中的商业计算硬件铺平道路。

该器件的工作机理是通过电化学方法将最小的离子——质子插入绝缘氧化物中，调节其电子电导率。因为研究用的是非常薄的设备，所以有可能用强电场来加速这些离子的运动，把这些离子设备推到纳秒级运行。

该设备大大提高了神经网络的训练速度，同时大大降低了训练的成本和精力。这可以帮助科学家更快地开发深度学习模型，然后将其应用于自动驾驶汽车、欺诈检测或医学图像分析。研究人员将其描述为“宇宙飞船”，而不是“更快的汽车”。

这项技术的关键元素是质子可编程电阻器，它们以纳米为单位排列成阵列，就像棋盘一样。

在人脑中，学习是由于神经元之间的连接(称为突触)的加强和减弱而发生的。深度神经网络长期以来一直采用这种策略，新处理器通过增减质子电阻的电导来实现模拟机器学习。

为了开发这种超快速、高能效的可编程质子电阻器，研究人员寻找了不同的电解质材料3354无机磷硅玻璃(PSG)。PSG可以实现超快质子运动，可以承受非常强的脉冲电场。这一点至关重要，因为给设备施加更大的电压可以让质子以惊人的速度运动。

研究人员表示，由于质子不会损坏材料，电阻器可以运行数百万次而不会损坏。这种新的电解质使得可编程质子电阻器的速度比以前的设备快100万倍，并且它可以在室温下有效工作，这对于它集成到计算硬件中非常重要。

当人工智能领域的研究人员看到这条新闻时，他们的眼睛可能会亮。近年来，市场开发的深度神经网络规模越来越大，神经节点越来越多，参数越来越复杂。这些都在推动人工智能变得更加“聪明”。但是大规模深度神经网络的构建成本和训练成本都很高，能耗也不低。这对于想要建立自己的人工智能培养模式的创业公司或者小微企业来说，并不是什么好事。节能型质子可编程电阻可以提高人工神经网络的训练速度，同时降低训练成本和能耗。人工智能的发展又增加了一块“铺路石”。