虽然我们还没有接近用任何人造的东西复制人脑的复杂性和错综复杂性，但科学家们正在某些专用设备方面取得进展——比如新开发的可编程电阻器。
电阻器可用于组成模拟神经网络系统，基于旨在模仿人脑的结构。
这种最新设备处理信息的速度比将神经元连接在一起的大脑突触快一百万倍。
特别是，人工突触旨在用于模拟深度学习，这是一种进步人工智能的方法，可以提高速度，同时减少能源消耗——这对于负担能力以及对地球自然资源的需求非常重要。
这款最新电阻器显着改进的关键是使用了专门选择的高效无机材料。该项目背后的团队表示，人工智能神经网络学习速度的提升有望取得重大进展。
“一旦你拥有了模拟处理器，你将不再训练其他人正在研究的网络，”计算机科学家 Murat Onen 说来自麻省理工学院（MIT）。
“你将训练具有前所未有的复杂性的网络，这是其他人无法承受的，因此远远超过它们。换句话说，这不是一辆更快的汽车，这是一艘航天器。”
所讨论的无机材料基于磷硅酸盐玻璃（PSG）——添加了磷的二氧化硅。其纳米级孔用作电阻器中的固体电解质，当向装置施加 10 伏脉冲时，质子可以以前所未有的速度通过它。
更好的是，PSG 可以使用与制造硅电路相同的制造技术来制造。这应该可以更容易地集成到现有的生产流程中，而不会增加太多成本。
在大脑中，突触被增强或减弱，以控制信号和其他信息的流动。在这里，控制质子的运动来影响电导具有相同的效果。它快速、可靠，并且可以在室温下运行，这也使其更加实用。
“速度确实令人惊讶，”奥南说。
“通常情况下，我们不会在设备上应用如此极端的场，以免将它们变成灰烬。但相反，质子最终以巨大的速度穿过设备堆栈，特别是比我们以前的速度快一百万倍。
“由于质子体积小、质量低，这种运动不会损坏任何东西。这几乎就像传送一样。”
这里的巨大潜力是使用更少的能源更快地进行人工智能训练。为了创建一个可行的神经网络，电阻器将以棋盘式阵列堆叠在一起，这些阵列可以并行操作以提高速度。
至于下一步，研究人员将不得不利用他们在开发这种电阻器方面所学到的知识并对其进行调整，以便可以更大规模地生产。这并不容易，但团队有信心能够做到。
最终结果将在人工智能系统中看到，该系统承担识别图像中的内容或处理自然语音命令等任务。
人工智能必须通过分析大量数据来学习的任何东西都可能得到改进。这延伸到自动驾驶汽车等领域医学图像分析以及。
进一步的研究将使这些电阻器能够嵌入到实际系统中，并克服目前限制可施加电压的潜在性能瓶颈。
“前进的道路仍然充满挑战，但同时也非常令人兴奋，”计算机科学家兼研究作者 Jesús del Alamo 说道，来自麻省理工学院。
该研究发表于科学。
