模仿大脑：下一代计算机(2)

2、从大脑获得灵感

大脑的种种特性提高了它利用能量的效率。我们有没有可能从大脑中获得灵感，制造出一种能够用极低的能量就能处理数据的电子器件或者集成电路？

如果将电子神经元和突触安装在相邻的位置，让存储和运算过程尽可能接近，我们或许能够制造出和神经网络相似的结构。这个想法并不新奇。在20世纪80年代末，美国加州理工学院的研究员、现代微电子学的奠基人之一卡弗·米德(Carver Mead)就提出了神经拟态(neuromorphic)电路的概念，他的目标是模拟大脑的神经生物学结构。但是因为技术上的重重障碍，这种方法被冷落了很长一段时间。

第一个障碍就是存储器。直到现在，电子技术仍无法实现大规模的存算一体化。实际上，唯一能够被安装在处理器中的存储回路就是静态随机存储器(SRAM)，它的成本极高，因为需要大量占据处理器表面本来就十分有限的面积。因此，处理器中的数据存储容量很小，大部分数据被保存在存储器中，物理上处在处理器的外部。目前，科学家正在尝试多种方式，希望让存储器和处理器靠得更近。在众多研究中，自旋电子学在近年取得了重要的进展。

自旋电子学技术不仅需要利用电子携带的电荷，还需要利用它们的自旋。自旋是一种纯粹的量子特性，其性质与角动量相似，我们可以用一个小箭头来表示电子的自旋。自旋与电子内在的磁矩有关，所以如果一种材料中大部分电子自旋方向一致，它就会具备磁性。自旋电子学正是利用了电流中电子的自旋和磁性材料之间的相互作用。

具体来说，自旋电子学中的基础组成元件是一种直径数十纳米的小圆柱体，即所谓的磁隧道结。磁隧道结包含两层磁性材料(即纳米磁体)，中间是绝缘层。当两个纳米磁体磁化方向一致的时候，电流就能借助隧道效应(一种量子效应)，轻松穿过磁隧道结，这时它的电阻很小。如果纳米磁体磁化方向相反，电流就难以通过，也就是说它的电阻变大了。

因为这样的性质，磁隧道结可以储存二进制信息，用不同的磁化方向记录“0”或“1”。基于这种原理的存储器被称为磁性随机存取存储器(MRAM)，诞生于20世纪80年代中期。但是，要想改变一个比特的数值，就需要对它施加外部磁场，以此改变纳米磁体的磁化方向。这样的过程阻碍了设备的微型化。

1996年，IBM研究员约翰·斯隆泽乌斯基(John Slonczewski)和美国卡内基-梅隆大学的吕克·贝尔热(Luc Berger)各自独立提出了一套方案，大幅改进了这类设备。他们证明了一种新的效应，就是自旋传递。

当电流中的电子穿过磁隧道结中的一个纳米磁体时，它们的自旋会和磁体中的电子的自旋发生相互作用，导致电流中的电子自旋发生极化，变得与磁体中的电子自旋方向一致。在磁隧道结中，一个纳米磁体的磁化方向可变(称为自由层)，而另一个磁体的磁化方向是保持不变的(称为参考层)。当极化的电流流过自由层，它会改变磁体的磁化方向。因此，只要通过操纵电流的方向，就能写入一个比特的“0”或“1”，而不需要借助外部磁场。这个发现催生了集成MRAM的概念。

从那以后，多个微电子系统生产商都开始利用这种技术制造存储器。要知道，一个硅基集成电路上就能整合10亿个这样的元件。目前这类存储器已经被应用到日常使用的电子设备中了，因为它同时具备两大类存储器的优点：读写速度和动态存储器一样快，长期储存信息的能力和大容量存储器一样强。

由此，我们正在不断接近神经拟态集成电路的概念。在执行运算的硅基集成电路中，磁隧道结可以被安装在最有用的地方，以比特的形式储存数据。正如在大脑中突触和神经元相连，这些人造“突触”能够尽量靠近用硅制作的运算中心。如果要在这样的设备上运行神经网络算法，只需为这些突触配置上正确数值，以定义程序任务。神经网络则可以根据相应的数值，识别出图像或声音中的元素。

通过大幅减少外部存储器和处理器之间的数据交换，我们有望减少人工智能算法消耗的能量。学术界和产业界都在积极探索这种方法。但它目前仍然无法完全令人满意：要执行一个任务，需要事先知道每个突触要记忆的正确数值。而这类元件不具备真正的大脑所拥有的可塑性。我们希望在理想情况下，能够制造出可以通过学习执行不同运算的回路。

3、从“突触”开始

一般来说，神经网络算法的第一步是学习。在这个过程中，神经网络需要不断调整突触的数值，以便改进运算表现，更好完成分配给它的任务。

文章来源：《微电子学与计算机》 网址: http://www.wdzxyjsjzz.cn/zonghexinwen/2021/0708/614.html