牛津大学、IBM 欧洲研究院和德克萨斯大学的一组研究人员宣布了一项重要的壮举：通过堆叠二维 (2D) 材料开发原子级薄的人工神经元
研究人员创造了原子级薄的人工神经元，能够处理用于计算的光信号和电信号。该材料使神经网络中同时存在独立的前馈和反馈路径，从而提高解决复杂问题的能力。
几十年来，科学家们一直在研究如何重建生物神经元的多功能计算能力，以开发更快、更节能的机器学习系统。一种有前途的方法涉及使用忆阻器：电子元件能够通过修改其电导来存储值，然后利用该值进行内存处理。
然而，使用忆阻器复制生物神经元和大脑的复杂过程的一个关键挑战是难以整合前馈和反馈神经元信号。这些机制巩固了我们使用奖励和错误来学习复杂任务的认知能力。
牛津大学、IBM 欧洲研究院和德克萨斯大学的一组研究人员宣布了一项重要的壮举：通过堆叠二维 (2D) 材料开发原子级薄的人工神经元。该成果已发表在Nature Nanotechnology上。
在这项研究中，研究人员通过使电子忆阻器响应光信号和电信号来扩展电子忆阻器的功能。这使得网络中可以同时存在独立的前馈和反馈路径。这一进步使团队能够创建赢者通吃的神经网络：计算学习程序有可能解决机器学习中的复杂问题，例如聚类中的无监督学习和组合优化问题。
二维材料仅由几层原子组成，这种精细的尺度赋予它们各种奇特的特性，这些特性可以根据材料的分层方式进行微调。在这项研究中，研究人员使用堆叠的三种二维材料（石墨烯、二硫化钼和二硫化钨）来制造一种装置，该装置根据照射在其上的光/电的功率和持续时间来显示其电导率的变化。
与数字存储设备不同，这些设备是模拟的，其操作类似于我们生物大脑中的突触和神经元。模拟功能允许计算，其中发送到设备的一系列电或光信号会逐渐改变存储的电子电荷量。这个过程构成了神经元计算阈值模式的基础，类似于我们的大脑处理兴奋和抑制信号组合的方式。
IBM 瑞士欧洲研究院的研究人员、主要作者 Ghazi Sarwat Syed 博士说：“这是一个非常令人兴奋的发展。我们的研究引入了一个新概念，它超越了当前人工神经网络中通常使用的固定前馈操作。此外。 AI 硬件的潜在应用，这些当前的原理验证结果证明了更广泛的神经形态工程和算法领域的重要科学进步，使我们能够更好地模拟和理解大脑。”
Syed 博士和 Yingqiu Zhou 博士（他们是牛津大学的 DPhil 学生和实验室同事）进行了实验工作。据现任丹麦技术大学博士后研究员的 Zhou 博士介绍，他们的实施通过低维系统的光电物理学捕获了生物神经元的基本组成部分。
他们指出，我们通过异质结构堆栈的设计创建了原子突变半导体结。该堆栈专门提供充当神经元膜的异质结，而接触异质结的石墨烯电极则充当神经元胞体。通过这种方式，神经元状态在体细胞中表现出来，但会随着细胞膜的变化而改变，就像在实际的神经元中一样。
随着人工智能应用的进步呈指数级增长，所需的计算能力已经超过了基于传统处理器的新硬件的开发速度。迫切需要研究新技术，包括牛津大学高级纳米工程实验室和 IBM 苏黎世研究院实验室的共同主要作者 Harish Bhaskaran 教授的工作。
Bhaskaran 教授说：“整个领域都非常令人兴奋，因为材料创新、设备创新以及对如何创造性地应用它们的新见解都需要结合在一起。这项工作代表了一个新的工具包，探索二维材料的力量，不是在晶体管中，而是在新的计算范例中。”
德克萨斯大学奥斯汀分校的共同作者 Jamie Warner 教授说：“在计算中使用这种二维结构已经讨论了很多年，但直到现在我们才在花费七年多的开发时间后终于看到了回报。通过组装将晶圆级二维单分子层转化为复杂的超薄光电设备，这将使基于工业可扩展制造方法的二维材料开始新的信息处理方法。”
“我们的发现更多是探索性的，而不是系统级的实际演示，”赛义德博士说。“虽然我们的目标是在未来扩展这一概念，但我们相信，我们目前的原理验证结果表明了对更广泛的神经形态工程领域的重要科学兴趣，使我们能够更好地模拟和理解大脑。”
Bhaskaran 教授指出，激动人心的研究进展对未来的创新很重要，但这不是未来两年人们应该期待的手机技术。