用于高级神经形态智能系统的量子拓扑神经元

以下文章来源于Artificial Synapse ，作者Synapse

研究背景

突触是人类大脑的基本处理单元，负责日常运作和记忆。1015个突触相互连接着1011个神经元，每个突触过程只需要10 fJ，大脑本身需要的能量还不到一台超级计算机的百万分之一。事实上，全球超过 8%的电力消耗是用于计算设备，而且每十年都在翻倍因此，与传统的基于Si-CMOS 的架构相比，开发高效设计的新材料和设备是一个具有挑战性的愿望。在这个方向上，通过对人类神经系统及其生物突触单元进行生物模拟，正在努力生产一个人工神经形态突触设备，以学习和响应来自其他人工感官设备/系统的电子神经信号。

研究成果

神经形态人工智能系统是克服复杂科学和经济挑战的超高性能计算集群的未来。尽管它们很重要，但在没有具体设备设计的情况下，量子神经形态系统的进展很缓慢。为了阐明模仿哺乳动物大脑突触的生物特性，Vaithinathan Karthikeyan & Vellaisamy A. L. Roy教授团队引入了一类新的量子拓扑神经元 (QTN)，具有超低的能量消耗 (pJ)和更高的开关速度 (us)。QTNs 的神经网络特性是量子拓扑绝缘体(QII)材料的边缘态传输和可调谐的能量间隙的影响。通过增强设备和OTI 材料的设计展示了具有有效学习-学习-遗忘阶段的顶级神经形态行为。重要的是，为了模拟实时神经形态的效率，通过将OTN 与人工神经网络连接起来进行决策操作，用简单的手势游戏演示了OTN 的训练。从战略上讲OTNs 证明了其在实现下一代神经形态计算以发展智能机器和人形生物方面具有无可比拟的潜力。相关研究以“Quantum Topological Neuristors for Advanced Neuromorphic Intelligent Systems”为题发表在Advanced Science期刊上。

图文导读

Figure 1. Biomimicking hierarchy from human brain to quantum topological neuristor.

Figure 2. Material and experimental characterization of the QTNs.

Figure 3. Electrical characterization of QTI neuristors.

Figure 4. QTNs neuromorphic behavior of QTNs for varied proportion of SnSe1−xTex (x = 0, 0.25, 0.50, 0.75, and 1).

Figure 5. QTI sensory neuromorphic system.

总结与展望

在这项研究中，作者成功地开发了一个基于量子拓扑绝缘体的神经元，其神经形态突触性能与哺乳动物大脑相当。根据调查，量子拓扑绝缘体材料在先进的低功率电子开关系统中的潜力已被充分暴露。拓扑绝缘体材料中的表面态传导促进了突触前和突触后神经元层之间的液体状电荷流动，代表了生物突触裂隙的运作。为了优化材料设计，作者研究了 SnSe基体中二维分层SnTe 的不同比例，从而控制神经元的阈值设定电压。此外，证明了参与低电压开关的机制是通过OTI纳米颗粒结构中的边缘状态传输支持的被困电荷限制电流。同时，该 OTNs 展示了一种超稳定的多级突触开关能力，以实现多功能，在不牺牲器件的物理尺寸的情况下实现高密度的数据存储和处理行为。QTNS 的神经形态特征，通过应用外部突触前的尖峰脉冲序列成功地证明了这一点。作者通过突触权重的波动来表示OTNs的仿生调制，代表了人类神经网络功能的模拟，包括PPF和PTP突触功能的学习-学习-遗忘周期的有效性。OTNs 执行响应外部刺激的突触功能所需的能量在 10 pJ范围内，是所有报道的神经形态突触器件中最低的，这比传统的Si-CMOS 神经形态电路低90倍。最后，为了证明出色的仿生特性，作者有效地开发了一个感官-神经形态的概念，通过基于动作识别的突触人机界面，将ANNs纳入其中，这证明了一个特殊的可行性和 99%的特殊识别率。因此，所提出的QTNs人工突触设备，具有无可比拟的潜力，将成为下一代人工智能应用的生物启发神经形态设备的新的现代标准。

文献链接

Quantum Topological Neuristors for Advanced Neuromorphic Intelligent Systems

https://doi.org/10.1002/advs.202300791

转自：“i学术i科研”微信公众号

如有侵权，请联系本站删除！