美国麻省理工学院研究人员组成的多学科团队正着手推动提高一种人工模拟突触的速度极限。他们在制造过程中使用了一种实用的无机材料，使设备运行速度比以前的版本快100万倍，也比人脑中的突触快约100万倍。该研究近日发表在《科学》杂志上。

麻省理工学院开发的这种无机材料使电阻器非常节能。与早期版本的设备中使用的材料不同，新材料与硅制造技术兼容。这一变化使制造纳米级设备成为可能，并可能为集成到深度学习应用的商业计算硬件铺平道路。

该装置的工作机制是将最小的离子—质子通过电化学方式，插入绝缘氧化物中，以调节其电子导电性。因为研究使用非常薄的设备，因此可通过使用强电场来加速这种离子的运动，并将这些离子设备推到纳秒级的运行状态。

这一设备极大地提高了神经网络的训练速度，同时大大降低了执行训练的成本和能量。这可帮助科学家更快地开发深度学习模型，然后将其应用于自动驾驶汽车、欺诈检测或医学图像分析等用途。研究人员描述称，这不是一辆“更快的汽车”，而是一艘“宇宙飞船”。

这一技术的关键元素是质子可编程电阻器，这些电阻以纳米为单位排列成阵列，就像棋盘一样。

在人脑中，学习是由于神经元之间的连接(称为突触)的增强和减弱而发生的。深度神经网络长期以来一直采用这种策略，新处理器则利用增加和减少质子电阻器的电导，实现模拟机器学习。

为了开发这种超快速且高能效的可编程质子电阻器，研究人员寻找了不同的电解质材料——无机磷硅玻璃 (PSG)。PSG能够实现超快质子运动，还可承受非常强的脉冲电场。这一点非常关键，因为向设备施加更多电压，可使质子以惊人的速度移动。

研究人员表示，因为质子不会损坏材料，电阻器可运行数百万次循环而不会损坏。这种新的电解质使可编程质子电阻器的速度比以前的设备快100万倍，并且可在室温下有效运行，这对于将其整合到计算硬件中非常重要。

总编辑圈点

人工智能领域的研究者看到这条新闻时，可能会眼前一亮。近年来，市场开发出的深度神经网络规模越来越大，神经节点越来越多，参数也越来越复杂。这些都在推动人工智能变得更加“聪明”。但随之而来的是，大型深度神经网络的搭建成本和训练成本十分高昂，能耗也不低。这对希望搭建自己的人工智能训练模型的创业公司或小微企业来说，并非利好。高能效质子可编程电阻器可以提高人工神经网络的训练速度，同时降低训练的成本和能耗，人工智能的发展又多了一块“铺路石”。