神經形態運算新突破！德國研究人員設計出兼具學習與記憶功能的神經電晶體
神經形態運算（Neuromorphic Computing）需要在像是神經整合和突觸（Synapse）等人腦元素（例如）的啟發下建立體系架構。這些運算架構被證明能激發出許多極具發展前景與優勢的應用，因為它們可以同時兼具儲存和學習的功能。
當前大多數的神經形態運算架構都是人為重建突觸的可塑性（亦即很容易隨著時間的推移而塑造的能力），突觸是神經細胞之間的連接點，能夠在大腦各區域進行脈衝傳播。然而，神經形態運算方法的另一個潛在有價值的靈感啟發來源是神經單位膜（Neuronal Membrane）的可塑性，它是保護神經元（Neuron）功能的屏障。
找到能複製神經單位膜特性的合適系統，讓神經晶片產生獨特非線性輸出動態
考慮到這一點，柏林工業大學（Technische Universität，TU）德勒斯登和霍姆赫茲中心（Dresden and Hemholtz Center）研究人員最近設計了一種能模仿神經單元膜既有可塑性的神經電晶體（Neurotransistor）。關於這顆新型神經電晶體的論文已發表在《自然─電子學》（Nature Electronics）期刊上，該電晶體是透過在矽奈米線（Silicon Nanowire）上塗上離子摻雜型溶膠－凝膠矽酸鹽薄膜製成的。
進行這項研究之研究人員之一的 Larysa Baraban 表示：「做為一個在生物和化學電子感測器方面具有主要專業知識的團隊，我們試圖找到一種能利用生物感測器原理來複製神經單位膜特性的合適系統。」 由 Eunhye Baek、Baraban 和他們同事共同設計的神經電晶體，利用了基於矽奈米線電晶體之電子式電壓生物感測器（Potentiometric Biosensor）的特性。這類感測器可以將離子或分子的電荷轉換成電流。研究人員將能電子感應到離子電荷（Ionic Charge）的場效電晶體（Field Effect Transistor，FET）與溶膠－凝膠薄膜結合，進而實現離子電荷的重新分配。
「我們透過像是電子束（Electron Beam）與紫外光刻（UV Lithography）等 CMOS 製程，在 8 英吋絕緣層上覆矽（Silicon-On-Insulator，SOI）晶圓上製備奈米線電晶體，」參與這項研究的另一位研究員 Gianaurelio Cuniberti 表示：「然後我們在奈米線元件上塗上離子摻雜型矽酸鹽薄膜，這是由使用矽基前驅物（Silicate-Based Precursor）與金屬離子的溶膠─凝膠法合成的。」
由 Baek、Baraban、Cuniberti 和他們同事共同提出的新型神經電晶體可以充當短期記憶體，這是因為溶膠─凝膠薄膜限制了內部離子的移動，並在短時間內保持一定的離子狀態。由於這種獨特性，溶膠－凝膠薄膜允許神經電晶體產生獨特的非線性（亦即 Sigmoid 函數）輸出動態，它由歷史輸入訊號來控制。
這項研究最有意義的成就是，利用神經元可塑性獲得動態學習能力
由研究人員開發的這種元件模擬了神經元細胞的功能和既有可塑性。事實上，在神經元中，膜電位（Membrane Potential）會引發離子電流出現 S 型變化。這種非線性動態特性也賦與它進階的學習能力，使它成為機器學習應用的理想選擇，例如，學習如何在模式分類（Pattern-Classification）任務中表現良好。
「我們這項研究最有意義的成就就在於，我們利用神經元可塑性而獲得神經電晶體網路的動態學習能力，」這項研究主要研究人員之一的 Eunhye Baek 指出：「許多神經形態元件（主要是 memristor 憶阻器）由於它們的隨機型（如隨機電流閾值），所以很難控制輸出動態。」
研究人員採用的設計策略是允許他們的神經電晶體使用其神經細胞中定量的摻雜離子來獲得穩定的輸出動態。Baraban、Cuniberti、Baek 和他們同事最近研究的目標是，模擬神經元的非線性運算，他們的神經電晶體可用於執行元件級分類，而無需進行資料的後處理。這使得更強大的神經形態運算能以更低的功耗實現，反觀當前運行在神經形態元件上的現有模式分類模型，多半需要額外的軟體運算。
Baraban 表示：「最終，我們證明了人們可以從傳統的場效電晶體，甚至整顆晶片，透過對溶膠－凝膠薄膜的選擇性修改，將其轉變成具有全新功能的神經電晶體（或神經晶片）。」 這項工作證實了神經形態電子零組件在單一元件中實現記憶和學習功能的巨大潛力。透過模擬神經單位膜的可塑性，他們設計神經電晶體的新策略讓具備進階學習能力之新電子元件的製造成為可能。
「我們現在正在清華大學透過混合憶阻器開發有如視網膜般的人工視覺感官神經元，來進行進一步的大腦啟發式運算研究，」Baek 指出：「在傳入的訊號到達大腦之前，感覺神經元已經開始記憶和學習，以便對訊號進行預處理。我們神經電晶體背後的動態學習原理將會應用在處理時變（Time-Varying）光訊號上。」
（首圖來源：TU）