与计算机相比，人脑的能效令人难以置信。因此，科学家们正在利用大脑及其相互连接的神经元的功能，为设计创新计算技术提供灵感。他们预测，这些大脑启发的计算系统将比传统的系统更节能，并且在执行机器学习任务方面也会更好。
就像负责大脑中数据存储和数据处理的神经元一样，科学家希望将存储和处理结合在一种称为忆阻器的电子元件中。他们希望这将有助于实现更高的效率，因为与传统计算机一样，在处理器和存储器之间移动数据是机器学习应用中高能耗的主要原因。
苏黎世理工学院、Empa和苏黎世大学的研究人员现在已经开发出一种新型的忆阻器概念，这种忆阻器的应用范围比现有的忆阻器要广得多。苏黎世ETH博士后罗希特·约翰（RohitJohn）解释道：“忆阻器有不同的操作模式，能够根据人工神经网络的架构使用所有这些模式是有利的。”。“但以前的传统忆阻器必须提前为其中一种模式进行配置。”新型忆阻器现在可以在使用中轻松地在两种操作模式之间切换：一种是信号随时间变弱并消失的模式（易失性模式），另一种是信号保持不变的模式（非易失性模式）。
就像在大脑里一样
约翰说：“这两种操作模式也存在于人脑中。”。一方面，突触上的刺激通过生化神经递质从神经元传递到神经元。这些刺激开始很强，然后逐渐变弱。另一方面，当我们学习时，大脑中会形成与其他神经元的新突触连接。这些联系更持久。
约翰是苏黎世理工学院/Empa研究员马克西姆·科瓦连科（Maksym Kovalenko）领导的团队中的博士后，他于2020年获得了ETH杰出博士后研究员奖学金。约翰和易一起进行了这项研究臒它是Demira臒, 苏黎世大学和苏黎世ETH神经信息学研究所Giacomo Indiveri小组的博士生。
太阳能电池中已知的半导体材料
研究人员开发的忆阻器由卤化物钙钛矿纳米晶体制成，这是一种主要用于光伏电池的半导体材料。科瓦连科解释说：“这些新型忆阻器中的‘神经传导’是通过将电极上的银离子暂时或永久地串在一起，形成穿透钙钛矿结构的纳米细丝来介导的，电流可以通过纳米细丝流动。”。
可以调节此过程，使银离子灯丝变薄，从而逐渐分解为单个银离子（挥发性模式），或变厚且永久（非挥发性模式）。这由忆阻器上传导的电流强度控制：施加弱电流激活易失性模式，而强电流激活非易失性模式。
神经信息学家新工具包
德米拉说：“据我们所知，这是第一个可以根据需要在易失性和非易失性模式之间可靠切换的忆阻器。”臒 说。这意味着，在未来，计算机芯片可以用两种模式都可用的忆阻器制造。这是一个重大进步，因为通常不可能在一个芯片上组合几种不同类型的忆阻器。
在他们最近发表在《自然通讯》杂志上的研究范围内，研究人员测试了其中25个新的忆阻器，并对其进行了20000次测量。通过这种方式，他们能够在复杂网络上模拟计算问题。这个问题涉及到将许多不同的神经元峰分类为四种预定义模式之一。
在将这些忆阻器用于计算机技术之前，它们需要进一步优化。然而，正如Indiveri指出的那样，这些组件对于神经信息学的研究也很重要：“这些组件比以前的组件更接近真实神经元。因此，它们帮助研究人员更好地测试神经信息学中的假设，并有希望更好地理解人类和动物真实神经元回路的计算原理。”