据外媒报道，加州大学圣地亚哥分校（University of California San Diego）研究人员开发了新型人工神经元设备，有望使训练神经网络执行任务（如图像识别或自动驾驶汽车导航等）所需的计算能力和硬件更少。与现有基于CMOS的硬件相比，该设备运行神经网络计算所使用的能量和空间要少100到1000倍。

（图片来源：https://scitechdaily.com/）

神经网络是一系列相互连接的人工神经元层，其中一层的输出为另一层提供输入。生成输入通过应用称作非线性激活函数的数学计算来完成。这是运行神经网络的关键部分，但是由于需要在两个独立的单元（内存和外部处理器）之间来回传输数据，应用这一功能需要大量的计算能力和电路。

研究人员开发了一种纳米大小的设备，可以有效地执行激活功能。加州大学圣地亚哥分校教授Duygu Kuzum表示，“随着神经网络模型变得越来越大、越来越复杂，硬件中的神经网络计算变得越来越低效。我们开发了单一的纳米级人工神经元设备，能以一种非常节省空间和能量的方式在硬件上实现计算。”

该装置实现了神经网络训练中最常用的激活功能之一，称为整流线性单元。这一功能的特别之处在于，需要采用能够承受电阻逐渐变化的硬件才能工作。而研究人员设计的设备可逐渐从绝缘状态转变为导电状态，而且仅需少量热量的帮助。这一转变发生在纳米级的二氧化钒层中，被称为莫特转变（Mott transition）。在这层之上是由钛和黄金制成的纳米线加热器，当电流流经纳米线时，二氧化钒层会慢慢升温，导致从绝缘状态到导电状态的缓慢的、可控的转换。

该项研究的第一作者Sangheon Oh解释称，“此种设备架构非常有趣和创新。通常情况下，由于电流直接流过材料，莫特转变的材料会经历从绝缘到导电的突然转变。为此，我们让电流通过材料顶部的纳米线来加热材料，并诱导非常渐进的电阻变化。”

为了部署该装置，研究人员首先制造了激活（或神经元）装置阵列，以及突触装置阵列。然后，将两个阵列集成在定制的印刷电路板上，并将它们连接在一起，创建硬件版本的神经网络。研究人员利用该网络处理一张图像，即加州大学圣地亚哥分校盖泽尔图书馆的图片。该网络执行称作边缘检测的图像处理，识别图像中物体的轮廓或边缘。实验表明，集成硬件系统可以执行卷积操作，这对于许多类型的深度神经网络是必不可少的。

研究人员表示，“该项技术可以进一步扩展，以完成更复杂的任务，如自动驾驶汽车面部识别和物体识别。Kuzum表示，“目前，这只是一项概念验证。这是一个很小的系统，我们只在其中堆叠了一个突触层和一个激活层。将更多层叠加在一起，就可以为不同的应用打造更复杂的系统。”