神经形态计算旨在通过模仿构成人脑的神经元和突触的机制来实现人工智能（AI）。|人工神经元和突触可塑性相互作用神经形态计算旨在通过模仿构

神经形态计算旨在通过模仿构成人脑的神经元和突触的机制来实现人工智能（AI）。受当前计算机无法提供的人脑认知功能的启发，神经形态设备已被广泛研究。然而，目前基于互补金属氧化物半导体（CMOS）的神经形态电路，只是简单地连接人工神经元和突触而没有协同相互作用，而神经元和突触的同时实现仍然是一个挑战。为了解决这些问题，由韩国科学技术高等研究院材料科学与工程系KeonJaeLee教授领导的研究团队，通过在单个记忆单元中引入神经元-突触相互作用，来实现人类的生物学工作机制，代替了传统的电连接人工神经元和突触装置的方法。

文章图片
这项名为“Simultaneousemulationofsynapticandintrinsicplasticityusingamemristivesynapse”的结果发表在2022年5月19日的《自然通讯》杂志上。 KeonJaeLee教授解释说， “神经元和突触相互作用以建立认知功能，例如记忆和学习，因此模拟两者是类脑人工智能的基本要素。开发的神经形态记忆装置还模仿了再训练效应，通过在神经元和突触之间实现正反馈效应，可以快速学习被遗忘的信息。 ”人脑是由1000亿个神经元和100万亿个突触组成的复杂网络。人脑的学习和记忆等智力能力来自近千亿个神经元与突触互连的复杂网络。一个神经元结合突触前的输入刺激来发射电脉冲，而一个突触连接相邻的神经元以在整个网络中传输信号。

文章图片
（来源：Pixabay）
而且，神经元和突触的功能和结构可以根据外界刺激灵活变化，适应周围环境。根据先前的经验，可以修改神经元和突触的功能以重组神经通路。突触可塑性，即突触自适应地改变连接强度的能力，以其对学习和记忆的贡献而闻名。许多细胞和分子研究也表明，神经元不仅参与信息处理，还通过内在可塑性促进记忆形成，从而调节神经元的兴奋性。突触可塑性和神经元内在可塑性同时发生在所有主要的学习形式中，使大脑能够高效地执行智能任务和概率处理。受认知人类大脑的启发，神经形态计算以生物神经网络的硬件体现为目标，以实现人工智能（AI）。与基于CMOS的方法相比，单个神经元和突触的设备实现已被广泛研究，因为它们具有出色的能源效率和可扩展性。

文章图片
（来源：Pixabay）
忆阻器的出现大大加速了人工突触的发展，忆阻器呈现出滞后电阻切换特性。由于阻性切换行为与突触可塑性非常相似，非易失性忆阻器已成功地模拟了短期和长期突触可塑性。人工神经元也被证明使用易失性忆阻器，模拟从生物合理的集成和发射模型到生物物理霍奇金-赫胥黎(HH)模型的神经元模型。人工神经元和突触的集成对于开发具有高级认知功能的神经形态智能计算机至关重要。在此之前，也已经报道了能够进行模式识别和简单决策的忆阻神经网络，显示出优于传统冯诺依曼架构的性能。然而，尽管在学习和记忆中起重要作用，但很少有研究证明人工神经元中内在可塑性的模拟。此外，内在和突触可塑性之间的协同相互作用应涉及各种形式的学习，如经典条件反射、空间学习和再训练。之前的研究报告证明了在单个设备中的易失性和非易失性切换，但这些研究是表明从易失性到非易失性切换的转变，而不是两种切换机制与神经突触相互作用的共存。应在单个设备中实现神经元兴奋性和突触权重变化，以同时解决受脑启发的认知AI中的神经可塑性。