新型人工神经元“做减法”，执行学习所需的资源少了100到1000倍！

加州大学圣地亚哥分校的研究人员开发了一种新的人工神经元设备，可使训练神经网络执行任务，如识别图像或导航自动驾驶汽车所需计算和硬件能力更少。该设备可以运行神经网络计算，使用的能量和面积比现有的基于CMOS的硬件少100到1000倍。

研究成果于18日发表在《自然·纳米技术》上。

神经网络是一系列相连的人工神经元层，其中一层的输出为下一层提供输入。生成该输入是通过应用一种称为非线性激活函数的数学计算来完成的。这是运行神经网络的关键部分。但应用这一功能需要大量的计算能力和电路，因为它涉及到在两个独立的单元(内存和外部处理器)之间来回传输数据。

加州大学圣地亚哥分校的研究人员开发的这种纳米尺寸的设备可以有效地执行激活功能。

该设备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。这个功能的特别之处在于，它需要能够经历电阻逐渐变化的硬件才能工作。这正是研究人员设计设备的目的，它可以逐渐从绝缘状态切换到导电状态，并且是在一点点热量的帮助下实现的。

研究人员表示，“这种设备架构非常有趣，极具创新，”通常情况下，莫特转变中的材料会经历从绝缘到导电的突然转变，因为电流直接流过材料。“在这种情况下，我们让电流流过材料顶部的纳米线，对其进行加热，并引发非常缓慢的电阻变化。”

研究人员表示，这项技术可以进一步升级，以完成更复杂的任务，如自动驾驶汽车中的面部和物体识别等。

编译/前瞻经济学人APP资讯组

原文链接：

http://dx.doi.org/10.1038/s41565-021-00874-8