研究人员展示了一种新型的、受小脑启发的电子芯片。虽然大多数神经形态计算试图重现负责思考的大脑皮层，但这种新设备模拟了由反射驱动的小脑，它会忽略预期的基线数据，仅将能量保留给意外情况。在概念验证的医疗试验中，该设备成功地在五分之一心跳时间内检测到异常心律，准确率超过98%，同时使用的计算操作比传统AI方法少10,000倍。
关键事实
- 小脑策略： 与大脑皮层（大脑的意识思考中心）不同，小脑作为自动反射守门人运作。它充当有机新奇性检测器，过滤掉常规背景信息，仅在环境发生意外变化时激活。
- 打破冯·诺依曼瓶颈： 传统计算机在物理隔离的处理单元和内存块之间来回传输数据，浪费能源。通过使用忆阻晶体管，西北大学的设备在同一物理空间执行内存和逻辑操作，大幅降低能源需求。
- 重现突触平衡： 该芯片模仿小脑生物平衡的竞争性兴奋和抑制信号：
- 兴奋模式： 设备逐渐建立并加强其电响应，随着信号持续。
- 抑制模式： 设备在初始爆发时以最大强度响应，然后迅速衰减至零。
- 不对称MoS₂突破： 为将这种双模能力构建到单个硬件中，工程师使用了原子级薄的二硫化钼(MoS₂)。通过创建一个电极通过微薄绝缘层部分重叠半导体的不对称设计，他们改变了电学特性：只需反转电压方向，就能在兴奋和抑制状态之间切换设备。
- 即时医疗新奇性检测： 当输入原始心电图(ECG)遥测数据时，忆阻晶体管忽略了数千次常规心跳而不浪费计算能力。然而，一旦发生心律失常，它会在毫秒内标记缺陷，处理速度比传统AI模型快两倍以上。
- 始终开启的前沿： 这种10,000倍的操作成本降低为在可穿戴健康贴片、自动驾驶汽车、工业机器人和实时网络安全系统内部署超低功耗、始终开启的边缘AI提供了直接途径，无需连接到耗能的云数据中心。
来源： 西北大学
大脑的小脑不会浪费能量分析每一刻。相反，它持续监控世界以发现意外情况——只有当某些事物突然改变时，它才会采取行动。
受这种极其高效策略的启发，西北大学的工程师们开发了一种新型类脑电子设备，该设备消耗极少能量且几乎能即时检测新奇事件。在概念验证实验中，该设备在五分之一心跳时间内识别出异常心律，准确率超过98%。该设备所需的计算操作也比传统人工智能(AI)方法少约10,000倍——为更节能的AI铺平了道路。
该突破可能实现新一代低功耗、始终开启的AI系统，适用于可穿戴健康监测器、自动驾驶汽车、自主机器人和网络安全系统，这些系统需要即时识别和响应异常事件，而无需依赖大规模、耗能的数据中心。
该研究于今日（7月10日）发表在《自然通讯》杂志上。
"在类脑计算领域，研究人员通常试图模仿大脑皮层，它常被视为大脑的'思考中心'，"共同领导该研究的西北大学Mark C. Hersam表示，"在我们的工作中，我们开发了一种模仿小脑的设备，小脑控制反射反应，几乎无需思考。小脑擅长忽略预期情况，并将资源保留用于应对意外。这种方法最终转化为更低的能耗，而正是在这里，我们实现了数量级的改进。"
作为类脑计算专家，Hersam是西北大学麦考密克工程学院材料科学与工程Walter P. Murphy教授，同时在医学院和文理学院韦恩伯格学院担任教授。他还是材料科学与工程系主任、材料研究科学与工程中心主任，以及国际纳米技术研究所成员。Hersam与麦考密克学院研究副教授Vinod K. Sangwan、韦恩伯格学院神经生物学Bill和Gayle Cook教授Indira M. Raman以及伊利诺伊大学芝加哥分校电气与计算机工程副教授Amit Trivedi共同领导了这项研究。
超越分类
该新设备代表了Hersam实验室从基础重新思考AI硬件的更广泛努力的最新进展。传统计算机不断在物理分离的内存和处理器之间来回传输数据——这一过程消耗大量能量。Hersam的团队则将内存和计算合并为称为忆阻晶体管的单一设备。
在2023年发表在《自然电子学》上的一项研究中，该团队证明仅需两个忆阻晶体管就能执行通常需要100多个传统晶体管的AI分类任务。该方法将能耗降低了约100倍。
新研究将这一概念推向了低能耗分类之外。西北大学团队没有简单地使AI硬件更高效，而是重新设计设备以模仿小脑中的特定电路，该电路擅长检测新奇事物并做出即时决策。
这种方法使AI能够忽略常规信息，同时立即标记意外事件。对于可穿戴心率监测器，这可能意味着检测心律不齐的最初迹象。对于机器人，可能意味着识别有人突然踏入其路径。对于网络安全系统，可能意味着在可疑网络活动升级为全面攻击之前发现它。
"当今的AI在识别模式方面表现极为出色，但通常花费大量计算能力持续分析数据流——即使什么都没有改变，"Hersam说，"因此，它在不必要的分析上消耗能量。"
重现兴奋和抑制反应
在小脑中，神经回路包含两种相互竞争的信号——一种兴奋和一种抑制——它们不断相互平衡。在正常活动期间，信号保持平衡。但当发生意外情况时，这种平衡会短暂变化，提醒大脑需要做出反应。
西北大学团队在其硬件中重现了这种动态。工程师们开发的设备能够执行两种不同角色。在一种模式下，它像兴奋性突触一样运作，随着信号持续而逐渐增强其响应。在另一种模式下，它像抑制性突触一样运作，最初强烈响应，然后迅速衰减。这些互补行为共同使设备能够区分普通事件和真正的新事件——正如小脑所做的那样。
为了构建该设备，研究人员使用了二硫化钼，这是一种以其电学特性而闻名的原子级薄半导体。然后，他们设计了一种不对称晶体管结构，其中一个电极通过薄绝缘层部分重叠半导体。这个看似微小的设计变化从根本上改变了电流通过设备的方式。简单地反转施加电压的方向即可在兴奋和抑制模式之间切换忆阻晶体管。
测试设备
为了测试系统，研究人员给设备提供了一系列心电图(ECG)记录，其中包含正常心律和心律失常。该设备没有浪费能量全面分析每次心跳，而是成功地忽略了正常心跳。但它在毫秒内迅速识别出异常心跳。
"我们的受小脑启发的忆阻晶体管在心跳结束前就检测到了不规则心跳，"Hersam说，"这比传统AI快两倍以上。"
接下来，Hersam计划探索模仿小脑随时间学习和适应能力的方法。例如，如果曾经意外的事件反复发生，大脑会逐渐学习并停止将重复事件视为新奇事件。
"我们已经演示了小脑神经回路的一部分，但还有更多我们尚未模拟，"Hersam说，"我们打算继续沿着这条路前进，模仿这个复杂系统的越来越多部分。"
资金支持： 该研究《受小脑启发的忆阻晶体管实现硬件高效的新奇性检测的突现分化》主要由美国国家科学基金会支持。
关键问题解答：
问：为什么关注小脑而非大脑皮层对降低AI能源成本如此具有变革性？
答： 大多数AI开发者试图模仿大脑皮层，因为它是大脑的"思考中心"，处理深层复杂的模式，这需要巨大的计算量。然而，小脑是大脑的反射引擎。它不会浪费能量过度思考或分析那些完全按预期进行的事物。通过复制这种生物过滤器，西北大学的芯片完全忽略了普通、重复的数据流。因为它仅将电能保留给意外的新奇事件，所以将所需的计算操作减少了10,000倍。
问：单个硬件如何仅通过切换电压就能同时充当兴奋性和抑制性突触？
答： 这归功于巧妙的材料科学。工程师们使用一种名为二硫化钼(MoS₂)的原子级薄半导体制造了该设备，并以不对称布局排列电极，这意味着一侧通过薄绝缘层比另一侧更多地重叠材料。这种不均匀的形状从根本上改变了电子通过材料的方式。当电压朝一个方向流动时，它通过稳定建立信号来模拟兴奋性突触；当你反转电压时，物理特性反转，产生一个迅速爆发然后快速衰减的抑制性响应。
问：能够在五分之一心跳时间内标记异常的设备有哪些即时的实际好处？
答： 今天的智能手表可以追踪你的心脏，但它们必须不断将你的数据流式传输到云服务器进行分析，这会耗尽电池并产生轻微的时间延迟。由于这种新芯片非常小巧且节能，它可以直接放置在可穿戴胸贴内部，仅靠一块电池就能在本地处理数据数月。通过在一秒的几分之一内发现致命的心律失常（远在心跳完成之前），它可以比任何现代AI快两倍地向患者或医疗设备触发救命警告。
摘要
受小脑启发的忆阻晶体管实现硬件高效的新奇性检测的突现分化
当前的人工智能(AI)算法使用基于硅的硬件执行，导致数据中心的能源需求过高。用于医疗保健、机器人技术和自动驾驶汽车的边缘计算AI提出了更严格的功耗和延迟限制，而现有计算架构无法满足这些限制。
生物神经网络具有卓越得多的能源效率，为替代计算方法提供了线索，包括内存-逻辑共置、异步并行和尖峰触发计算。
在此，我们从小脑中汲取灵感，展示具有偏置极性依赖性兴奋/抑制短期可塑性的不对称接触栅控MoS₂忆阻晶体管。这些受小脑启发的忆阻晶体管阵列利用兴奋和抑制响应之间不断演变的相互作用，模拟小脑的突现突触分化，从而实现对新事件的快速识别。
当应用于心电图数据时，心律失常在单次心跳内被检测到，使用的操作比现有基于硅的方法少10,000倍。通过这种方式，受小脑启发的神经形态硬件为边缘智能提供了计算高效、高速新奇性检测的途径。
【全文结束】