Nat. Commun.|钙钛矿神经树

文章链接：https://doi.org/10.1038/s41467-020-16105-y

钙钛矿神经树及其在神经形态学习中的应用

背景

人工智能（AI）有望在从医疗保健，化学和燃料合成到自动驾驶汽车的控制系统等众多领域影响我们的社会。具有强大处理器和内存的计算机的发展推动了这一迫在眉睫的革命。为了使AI具有可持续性，必须控制内存，从而控制自动机的智能和学习能力。因此，创建新的存储器类型（包括突触特性）是与材料科学，电子学，神经形态计算机和AI硬件相交的物理科学和工程研究的中心目标。在动物的大脑中，进化使突触（负责记忆）达到自限权重，并进行分支以避免失控效应并防止神经回路的灾难性崩溃，同时仍保留整个生命周期的学习能力。这种非凡的突触权重更新机制可以简单地概括为树状结构。在一系列持续刺激过程中，突触强度受到调节，以使突触的重量接近自限性并保持神经回路的稳定性。同时，突触保留了它们对新刺激做出反应的能力。可以认为内存是以分层的方式组织的，可以以树状结构表示。因此，早期的神经网络理论将树状状态纳入其模型中，以理解和模拟记忆。在自旋玻璃中发现的低温磁性态（例如CuMn）是由于在1–20 K温度范围内的加热-冷却循环而产生的，这提供了实验背景。在神经形态计算的几个领域中探索树状状态的巨大潜力仍然是神经网络理论中一个深入研究的课题。

摘要

动物，人类和机器使用树状结构来对信息进行分类并做出决策。大脑突触显示的天然的树结构涉及能够分支的增强和抑制作用，对于生存和学习至关重要。由于需要拥有能够学习，记忆和电讯问的复杂能量格局，因此在合成物质中展示此类特征具有挑战性。我们通过调制高速电脉冲下的质子分布，报告了在室温下在强相关钙钛矿镍酸盐中树状电导态的实验实现。该演示代表了超度量树的物理实现，这是一种将数论应用于物理学中的自旋玻璃的概念，它启发了大约40年前的早期神经网络理论。我们将树状记忆功能应用于尖峰神经网络中，以展示高保真度的目标识别，并且将来可以为神经形态计算和人工智能打开新的方向。

Trees are used by animals, humans and machines to classify information and make decisions. Natural tree structures displayed by synapses of the brain involves potentiation and depression capable of branching and is essential for survival and learning. Demonstration of such features in synthetic matter is challenging due to the need to host a complex energy landscape capable of learning, memory and electrical interrogation. We report experimental realization of tree-like conductance states at room temperature in strongly correlated perovskite nickelates by modulating proton distribution under high speed electric pulses. This demonstration represents physical realization of ultrametric trees, a concept from number theory applied to the study of spin glasses in physics that inspired early neural network theory dating almost forty years ago. We apply the tree-like memory features in spiking neural networks to demonstrate high fidelity object recognition, and in future can open new directions for neuromorphic computing and artificial intelligence.