（文章来源：快点PCB）
       数字超级计算机造价昂贵且能耗巨大。即便如此，它们在处理人脑擅长的问题（如理解语音或识别照片内容）时仍然十分吃力。过去几年，尽管运用深度学习算法的人工神经网络取得了很大进展但一些计算机科学家认为，通过采用更接近于生物大脑的系统，他们可以做得更好，这就是神经形态（neuromorphic）计算，也被称为脑模拟。神经形态计算不仅能完成目前的计算机无法完成的任务，还能让我们更清楚地理解人类记忆和认知的机理。不仅如此，如果研究者们能够研制出用模拟电路构建的这种机器，那么这种机器所需要的能耗将大大低于现在的计算机。

美国国家标准和技术研究院（NIST）纳米科学和技术中心坐落于马里兰州盖瑟斯堡。该中心的项目主管、物理学家马克·斯太尔斯（Mark STIles）说：“研究神经形态计算的真正动力是能效，而目前基于CMOS的设计能效尤其不佳。”模拟电路每次计算操作所消耗的能量比现在的互补金属氧化物半导体（CMOS）电路更少，因此能效更高。但另一方面，模拟电路对噪声很敏感，而且目前设计和制造模拟电路的技术不如CMOS芯片先进。

日本仙台东北大学大野英男教授的纳米电子学和自旋电子学实验室致力于这种模拟电子元件的研究。他们已经做出了一种可用作人工突触的器件，该器件的研制基于自旋电子学，即电子自旋产生磁性这一量子理论。他们研制的器件由一条钴/镍带组成，具有铁磁性，这意味着在其中自旋将全部对齐。

然后把它和一条反铁磁性的铂锰合金带交叉，该材料中相邻原子层里的电子自旋方向是相互垂直的。在反铁磁性层上施加电流能影响其自旋方向，这又会导致向磁层中的自旋电子施加扭矩，从而将磁化程度从高向低切换。与数字系统不同，这种切换不限于0或1两种状态，而是能被细分，取决于所施加的电流量。

低于开关电流量的读取电流不会导致磁化切换，但输出电压取决于磁化水平。发送多个信号可导致自旋电子器件调整自身的阻抗，从而产生类似于加强或削弱神经元之间连接的效果，就和大脑中的突触在形成记忆时一样，脑科学家把这个过程称为可塑性。参与本项目工作的大野实验室博士研究生威廉·伯德斯（William Borders）说：“我们在这个学习过程中发出的信号越多—即在学习理解过程中增加或减少权重的次数越多，就越有机会让系统记住我们真正想让它做什么。通过训练系统把一种磁化模式与字母C相关联，另一种磁化模式与字母T相关联，然后系统将能通过测量阻抗来再次识别这些字母。”

不同于大野的研究小组模拟单个突触，斯太尔斯的研究小组正在基于自旋电子学模拟一组神经元和突触。他们的器件由两个被隔开的铁磁层组成。当电流流过结点时，它在材料的自旋电子上产生一个扭矩，这将产生磁化的非线性振荡，从而产生电压振荡。真正的神经元与这种非线性振荡器有类似的行为，会发出电脉冲并相互同步。因此，自旋电子振荡器可以模拟大脑中的活动。

另一种用模拟电路技术构建突触的方法是采用忆阻器，忆阻器是最近被发现的第四种基本电路元件。忆阻器中电流的流动会改变其电阻，从而使器件具有存储性。加州大学圣巴巴拉分校电气和计算机工程教授德米特里·斯特鲁科夫（Dmitri strukov）正在使用忆阻器来创建一个具有简化突触功能的多层感知器网络。他说：“生物网络要复杂得多，例如，根据脉冲的发送时机和形状进行信息编码，而我们目前只能忽略这一切。”

在学习阶段，用高电压调整忆阻器的状态；在推理阶段（例如尝试将新的视觉模式与已学习过的模式进行匹配）则用较低的电压。斯特鲁科夫说，忆阻器是颇具前景的技术，因为有可能把它们做得很小，并且很容易堆叠，从而满足神经形态系统所要求的高密度性。但另一方面，制造它们的工艺过程还不够完善，目前还不能可靠地生产出数十亿个完好的器件。
     （责任编辑：fqj）