一个由麻省理工学院研究人员组成的多学科团队正在着手推动人工模拟突触的速度极限。 他们在制造过程中使用了一种实用的无机材料，使该设备的运行速度比以前的版本快一百万倍，也比人脑中的突触快一百万倍。 该研究最近发表在《科学》杂志上。
麻省理工学院高能效质子可编程电阻器开发成功。 与该设备早期版本中使用的材料不同，新材料与硅制造技术兼容。 这种变化使纳米级设备的制造成为可能，并可能为商业计算硬件集成到深度学习应用中铺平道路。
该装置通过将最小的离子(质子)电化学嵌入绝缘氧化物中来调节其电子导电性。 由于该研究使用了非常薄的设备，因此可以通过使用强电场来加速此类离子的运动，并将这些离子设备推向纳秒级的运行状态。
该设备大大提高了训练神经网络的速度，同时大大降低了执行训练的成本和能量。 这可以帮助科学家更快地开发深度学习模型，然后可以将其用于自动驾驶汽车、欺诈检测或医学图像分析等应用。 研究人员将其描述为不是“更快的汽车”而是“宇宙飞船”。
这项技术的关键要素是质子可编程电阻器，它们像棋盘一样排列成纳米尺寸的阵列。
在人脑中，学习发生在神经元之间的连接(称为突触)增强和减弱时。 深度神经网络长期以来一直采用这种策略，新的处理器使用增加和减少质子电阻的电导来实现模拟机器学习。
为了开发这种超快且节能的可编程质子电阻器，研究人员寻找了一种不同的电解质材料，即无机磷硅玻璃 (PSG)。 PSG 能够进行超快质子运动，并且可以承受非常强的脉冲电场。 这很关键，因为向设备施加更多电压可以使质子以极快的速度移动。
研究人员说，由于质子不会损坏材料，因此电阻器可以运行数百万次循环而不会损坏。 新电解质使可编程质子电阻器比以前的设备快 100 万倍，并且在室温下高效运行，这对于集成它们很重要并入计算硬件非常重要。
人工智能领域的研究人员看到新闻时可能会看到。 近年来，市场上开发的深度神经网络规模越来越大，神经节点越来越多，参数也越来越复杂。 这些都在推动人工智能变得更加“聪明”。 但随之而来的是，大规模深度神经网络的构建和训练成本非常高，能耗也不低。 这对于希望构建自己的 AI 培训模型的初创公司或小微企业来说并不好。 高效质子可编程电阻器可以提高人工神经网络的训练速度，同时降低训练的成本和能耗，人工智能的发展又多了一个“敲门砖”。