研究人员提出了一种受大脑神经调节启发的新型人工智能系统，称为“隐藏系统”，它需要更少的能量消耗。由材料科学与工程系的Kyung Min Kim教授领导的研究小组开发了一种技术，通过模仿神经网络拓扑结构根据情况的不断变化，可以有效地处理人工智能的数学运算。人脑实时改变其神经拓扑结构，学习根据需要存储或回忆记忆。研究小组提出了一种新的人工智能学习方法，直接实现这些神经协调电路配置。

人工智能的研究正变得非常活跃，基于人工智能的电子设备和产品发布的发展正在加速，尤其是在第四次工业革命时代。为了在电子设备中实现人工智能，还应支持定制硬件开发。然而，大多数用于人工智能的电子设备需要高功耗和高度集成的内存阵列来完成大规模任务。解决这些功耗和集成限制一直是一个挑战，人们一直在努力找出人脑是如何解决问题的。

为了证明所开发技术的有效性，研究小组创建了人工神经网络硬件，该硬件配备了自校正突触阵列和称为“隐藏系统”的算法，该系统是为进行人工智能学习而开发的。因此，它能够在不降低任何精度的情况下，将存储系统内的能耗减少37%。这一结果证明，模拟人类的神经调节是可能的。

金教授说：“在这项研究中，我们只用一个简单的电路组成就实现了人脑的学习方法，通过这项研究，我们能够将所需的能量减少近40%。”

这种模仿大脑神经活动的神经调节式隐藏系统与现有电子设备和商业化半导体硬件兼容。它有望用于下一代人工智能半导体芯片的设计。

这项研究发表在《高级功能材料》上。