纳米级NbO2忆阻器可为神经形态AI硬件设计带来突破

10月8日消息，在最近发表在《自然》杂志上的一篇论文中，惠普实验室的研究人员Suhas Kumar、德克萨斯农工大学的R. Stanley Williams和已故斯坦福大学博士生王子文介绍了一种隔离的纳米级电子电路元件，它可以利用纳米级薄的氧化铌（NbO2）膜电阻进行非单调运算和无晶体管的全模拟计算。在输入电压的情况下，它不仅可以输出简单的尖峰，还可以输出一系列的神经活动，如突发尖峰、自维持振荡和其他大脑活动。

"这项工作为实现非常紧凑和功能密集的神经形态计算基元，以及神经科学模型的节能验证铺平了道路，"研究人员说。IEEE（电气和电子工程师协会）称赞这篇论文是一项突破。

目前神经形态人工智能的硬件方法依赖于精心设计的晶体管电路来模拟生物功能。在电路元件中产生神经形态动作电位理论上需要最低限度的三阶复杂度，但之前还没有任何孤立的三阶元件的演示。

研究人员制造了100纳米以下的元件，每个元件都集成了一个NbO2挥发性莫特记忆性开关、一个内部并联电容器和一个内部串联电阻。

该元件最关键的部分是纳米级薄的氧化铌(NbO2)挥发性莫特膜电阻。memristor是电气工程师和计算机科学家Leon Chua在1971年提出的一种非线性双端电气元件，后来他将memristive系统的概念扩展到电容器和电感器。

Memristors有可能被制成非易失性固态存储器，它可以使数据密度比硬盘驱动器更大，访问时间类似于动态随机存取存储器。memristors的一个潜在应用是在超导量子计算机的模拟存储器中。

所提出的Mott memristors还具有反映温度驱动的电阻变化的能力。因此，莫特过渡材料根据其温度在绝缘和导电之间变化，这可能导致类似神经元动作电位的电流尖峰。

研究人员表示，重要的是要对元素的材料和物理参数进行微调，以确定一个有效的组合。"你不能偶然发现这一点，"威廉姆斯告诉IEEE Spectrum。"在你看到这个特性之前，一切都必须是完美的，但一旦你能够做出这个东西，它实际上是非常强大和可重复的。"

研究人员证明，可以将NbO2中的Mott转变作为一个额外的动力学过程，以构建一个具有三阶复杂性的隔离纳米级电子电路元件，然后可以设计成在其组成的电和热元件之间产生最佳的相互作用。

他们进一步表明，无晶体管的全模拟网络神经元可以解决计算上的难题，对缓解目前数字计算机的冯-诺依曼瓶颈具有深远的应用意义。研究人员表示，这一成果可以实现极其紧凑和高功能的神经形态计算基元。