韩国科学技术院神经形态工程中心研究团队宣布开发出可进行高度可靠的神经形态计算的人工突触半导体器件，解决了神经形态半导体器件忆阻器长期以来在模拟突触特性、可塑性和信息保存方面的局限性。该研究成果近日发表在《自然通讯》杂志上。
模仿人脑的神经拟态计算系统技术应运而生，克服了现有冯诺依曼计算方法功耗过大的局限。采用大脑信息传输方式的半导体器件，需要一种高性能的人工突触器件，能够表达各种突触连接强度。当神经元产生尖峰时，这种方法利用神经元之间传递的信号。
KIST团队对活性电极离子的氧化还原特性进行了微调，以解决阻碍现有神经形态半导体器件性能的小突触可塑性。研究团队在突触器件中掺杂使用各种过渡金属，控制活性电极离子的还原几率。发现离子的高还原概率是开发高性能人工突触器件的关键变量。
因此，研究团队将具有高离子还原概率的钛过渡金属引入到现有的人工突触装置中。这就保持了生物脑突触中突触的模拟特性和器件的可塑性，大约是高阻和低阻的5倍之差。此外，他们还开发了一种高性能的神经形态半导体，其效率提高了约50倍。
此外，由于掺杂钛过渡金属的高合金形成反应性，与现有的人工突触器件相比，信息保持率提高了63倍。此外，还可以更准确地模拟包括长期增强和长期抑郁在内的大脑功能。
团队利用研制的人工突触装置实现了人工神经网络学习模式，尝试了人工智能图像识别学习。结果，与现有的人工突触装置相比，错误率降低了60%以上。此外，手写图像模式的识别准确率提高了69%以上。研究团队通过这种改进的人工突触装置证实了高性能神经形态计算系统的可行性。
研究人员表示，这项研究大大提高了突触的运动范围和信息保存能力，这是现有突触模拟的最大技术障碍。新开发的人工突触装置最大限度地扩大了表达突触各种连接强度的模拟运算区域，因此基于大脑模拟的人工智能计算的性能将得到提高。
人脑的学习记忆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。受大脑认知的启发，神经形态计算应运而生，旨在模仿生物学的神经网络。在这项研究中，改进的人工突触显示了类脑人工智能的基本元素，并有可能超越冯诺依曼架构的性能。但最终需要同时具备高可扩展性和高性价比，才能真正为开发具有高级认知功能的神经形态智能计算机铺平道路。
