模仿人腦的神經(jīng)擬態(tài)計算系統(tǒng)技術(shù)應(yīng)運而生，克服了現(xiàn)有馮諾依曼計算方法功耗過大的局限。實現(xiàn)使用大腦信息傳輸方法的半導(dǎo)體器件需要一種能表達各種突觸連接強度的高性能模擬人工突觸裝置。當神經(jīng)元產(chǎn)生尖峰信號時，這種方法使用神經(jīng)元之間傳輸?shù)男盘枴?/p>

　　KIST團隊微調(diào)了活性電極離子的氧化還原特性，以解決阻礙現(xiàn)有神經(jīng)形態(tài)半導(dǎo)體器件性能的小突觸可塑性。研究團隊在突觸裝置中摻雜和使用各種過渡金屬，以控制活性電極離子的還原概率。研究發(fā)現(xiàn)，離子的高還原概率是開發(fā)高性能人工突觸裝置的關(guān)鍵變量。

　　因此，研究團隊將具有高離子還原概率的鈦過渡金屬引入現(xiàn)有的人工突觸裝置中。這保持了突觸的模擬特性和生物大腦突觸處的設(shè)備可塑性，大約是高電阻和低電阻之間差異的5倍。此外，他們開發(fā)了一種高性能的神經(jīng)形態(tài)半導(dǎo)體，其效率大約提高了50倍。

　　此外，由于摻雜鈦過渡金屬的高合金形成反應(yīng)性，與現(xiàn)有的人工突觸裝置相比，信息保留率提高了63倍。此外，包括長期增強和長期抑郁的大腦功能可更精確地模擬。

　　該團隊使用開發(fā)的人工突觸設(shè)備實現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模式，并嘗試了人工智能圖像識別學(xué)習(xí)。結(jié)果，與現(xiàn)有的人工突觸裝置相比，錯誤率降低了60%以上；此外，手寫圖像模式識別準確率提高了69%以上。研究團隊通過這種改進的人工突觸裝置證實了高性能神經(jīng)形態(tài)計算系統(tǒng)的可行性。

　　研究人員表示，這項研究極大地改善了突觸的運動范圍和信息保存，這是現(xiàn)有突觸模擬的最大技術(shù)障礙。新開發(fā)的人工突觸裝置表達突觸各種連接強度的模擬運算區(qū)域得到了最大化，因此基于大腦模擬的人工智能計算的性能將得到提升。