VO2有源忆阻器神经元

文章链接：https://www.nature.com/articles/s41467-018-07052-w

图1. 一个仿生有源忆阻器神经元及有源忆阻器器件特性电路图。

人工智能(AI)和哺乳动物的智能之间的差别在于架构和基础模块。在传统计算平台上实现的人工智能最终不太可能填补之间的差距。即使大脑的连通性被复制，由非仿生的互补金属-氧化物-半导体(CMOS)电路构建的人工神经元和突触也无法在不牺牲能量消耗和体积的情况下模拟生物对等物的丰富动态。基于CMOS的神经形态计算(NMC)硬件面临着成本-精确度的困境，即无法同时实现可扩展性和生物保真度。虽然脉冲域算法是能效搞得，但由于神经元和突触构建块的可扩展性差，其性能受到限制。一项对芯片级深度学习图像推断的调查显示，图形处理单元(GPU)是在吞吐量方面是目前最高的。然而，更高的吞吐量是以较低的能源效率为代价的。相比之下，神经形态计算是的能效是最高的，但是它们的吞吐量比GPU低得多。无论架构如何，所有CMOS处理器的吞吐量·能效产品都存在一个通用边界，这可能受到CMOS设备物理的限制。忆阻器为神经形态计算的发展提供了另一种途径。这种非易失性、随机和自适应的忆阻器能够很好的模拟生物突触。

人工神经元和突触的神经网络能够以冯·诺伊曼结构无法达到的能效解决计算上的难题。对于图像处理，硅神经形态芯片在能源效率方面远远超过图形处理单元，但提供更低的芯片规模吞吐量。硅基处理器的性能和效率困境可能无法通过硅晶体管的摩尔定律来克服。可扩展的仿生有源忆阻器神经元和被动忆阻器突触构成了无晶体管神经网络的基础。然而，以往的忆阻器神经元的演示仅仅显示了简单的整合-激发（Integrate-and-fire）行为，并没有完全揭示生物神经元丰富的动力学和计算复杂度。在这里，我们展示了用纳米级二氧化钒有源忆阻器构建的神经元具有所有三类兴奋性和大多数已知的生物神经元动力学，并且本质上是随机的。在合适的尺寸和功率范围内，这是一个通向全忆阻器神经形态计算机的路径。

Neuromorphic networks of artificial neurons and synapses can solve computationally hard problems with energy efficiencies unattainable for von Neumann architectures. For image processing, silicon neuromorphic processors outperform graphic processing units in energy efficiency by a large margin, but deliver much lower chip-scale throughput. The performance efficiency dilemma for silicon processors may not be overcome by Moore’s law scaling of silicon transistors. Scalable and biomimetic active memristor neurons and passive memristor synapses form a self-sufficient basis for a transistorless neural network. However, previous demonstrations of memristor neurons only showed simple integrate-and-fire behaviors and did not reveal the rich dynamics and computational complexity of biological neurons. Here we report that neurons built with nanoscale vanadium dioxide active memristors possess all three classes of excitability and most of the known biological neuronal dynamics, and are intrinsically stochastic. With the favorable size and power scaling, there is a path toward an all-memristor neuromorphic cortical computer.