不完美对于人工突触来说不是问题

中国的三位研究人员使用一种模仿我们大脑中信息编码的策略，提出了一个新的人工智能 (AI) 平台，该平台可能比现有架构更强大。 该方法尚未在实验室中实施，它利用了人工神经元不可避免的不均匀性，这些不均匀性是真实磁性材料缺陷造成的。

这项研究由高级量子研究中心的 Zhe Yuan、Ya Qiao 和 Yajun Zhang 完成， 北京师范大学物理系.

到目前为止，人工智能 (AI) 的最新进展主要是使用传统的数字计算机硬件实现的。 然而，越来越明显的是，传统的硅设备并不适合人工智能，研究人员正在开发模仿人脑结构和功能的神经形态架构。 这些系统有望提高人工智能系统的计算速度和能效。

模仿突触

一些神经形态计算系统的底层架构涉及微型记忆存储设备——代表我们大脑中的神经元。 它们由忆阻器连接在一起——忆阻器会根据流过它们的电流改变它们的电阻。 这使它们能够模仿负责在神经元之间传递电信号的突触。 随着信息的学习和丢失，这些信号的强度会随着时间的推移而变化。

使用现有制造和微加工技术创建神经形态计算系统的挑战之一是难以确保组件设备的一致性。 这意味着它们的性能可能相差很大。 如果这种变化太大，会严重限制整个系统的准确性。

然而，Yuan 指出，只要采取正确的方法，这种不均匀性并不一定是个问题。 “我们的大脑中肯定没有相同的细胞，而且大脑的神经动力学中也存在随机过程，”他说。 “尽管如此，人们仍然可以毫不费力地完成精确的认知和运动任务。”

人口编码

在他们的研究中，Yuan 及其同事探索了一种有前途的策略来复制这种自然变异。 这种称为“群体编码”的方法代表神经元群体集体活动中的信息，而不是单个细胞中的信息。

正如 Yuan 解释的那样，这种情况实际上比相同神经元的系统更接近于模仿大脑的功能。 “在大脑中，关于位置、方向、颜色和其他连续变量的信息通常由一组细胞编码，”他说。 “通过这种方式，信息几乎不受单个细胞噪声的影响。”

量子忆阻器为神经形态量子计算铺平了道路

通过实施群体编码，研究人员计算了如何使用畴壁来实施连接人工神经元的忆阻器突触。 这些是在铁磁材料中发现的结构，它们标记了不同磁取向区域之间的边界。 可以通过使电流通过材料来改变畴壁在材料中的位置——形成畴壁突触忆阻器的基础。

三人计算出，通过使用这种畴壁忆阻器，元件器件的不均匀性可能是一个优势。 “我们证明，即使使用这些高度不均匀的设备，应用群体编码策略也可以显着提高神经网络的性能，”Yuan 解释道。

他们的研究表明，使用群体编码来利用域壁突触提供了通往更强大的神经形态计算系统的途径，其性能可与更传统的数字计算机相媲美。

Yuan 的团队还认为，他们的方法也可以应用于其他类型的神经形态元件，包括电阻、相变和铁电器件。

该研究描述于 新物理学杂志.

• SEO 支持的内容和 PR 分发。 今天得到放大。
• 柏拉图爱流。 Web3 数据智能。 知识放大。 访问这里。
• 与 Adryenn Ashley 一起铸造未来。 访问这里。
• Sumber: https://physicsworld.com/a/imperfection-is-not-a-problem-for-artificial-synapses/