数据驱动的应用，特别是人工智能（AI）的日益普及，正在改变人类与技术的互动方式，也引发了人们对其进一步研究、开发和应用的浓厚兴趣，从而有效解决许多长期未解的复杂问题。

不过，AI对环境的影响也愈发受到关注。

为了应对低功耗系统执行复杂AI算法的挑战，神经形态技术是未来计算领域的有力竞争者，特别是在解决复杂问题和推动多个领域的发展中，展现出巨大潜力。

Adnan Mehonic。图片来源：美国物理联合会

  ?

平衡性能与可持续发展至关重要

AI和机器学习的广泛应用推动了科学研究、教育、交通、智慧城市、电子健康和元宇宙等领域的发展。

然而，对性能的过度关注有时使我们忽视了重要问题。例如，用户对即时信息获取的依赖，可能导致很多人忽略了支持这一过程的计算系统带来的能源消耗和环境影响。

因此，平衡性能与可持续性对于技术发展至关重要，AI对环境的影响也日益受到关注。

根据对过去40年间算力需求的统计，近年变化尤其显著，大约每两个月需求就要翻倍。

智能架构和硬件与软件协同设计取得了显著进展，其中NVIDIA（GPU）在2012至2021年间性能提升了317倍，超出了摩尔定律的预测。然而，传统计算方法在长期内难以满足需求，尤其是考虑到训练深度学习模型时的高成本。

因此，探索替代方法，以确保AI可持续发展至关重要。

另一个挑战：低功耗+算力

除了全球能源消耗，另一个挑战，是在不依赖云计算的情况下，低功耗系统执行复杂AI算法的能力。

这两个独立的问题，可能需要不同的解决策略。

计算的能效和性能，可以通过模仿大脑的生物机制来提升。

生物系统通常高度专业化，不同任务需要不同计算方案。单一架构难以适用于所有应用场景，但我们仍可从其通用特征中汲取灵感。通过跨学科合作，材料科学、器件工程、系统设计以及算法开发的专家们共同推动神经形态计算的发展。

这种合作对于促进生物系统与人工智能的结合至关重要。

“神经形态”一词最早由美国加州理工学院教授卡弗·米德在20世纪80年代提出，指模仿生物神经系统特征的器件和系统。如今，这一术语涵盖了具有脑启发特性的系统，如存内计算、硬件学习、脉冲处理、细粒度并行处理和减精度计算。

生物单元（如神经元）和电子元件（如忆阻器）也有相似之处。值得注意的是，许多与神经形态计算相关的范式也已单独研究，如存内计算，它是提升AI硬件和一般计算能效的重要途径，并突破了传统冯·诺依曼架构。

神经形态研究，可分为3个主要领域：神经形态工程，利用CMOS技术（如亚阈值晶体管）或后CMOS技术，复制大脑的计算单元和机制；神经形态计算，借鉴生物系统，探索新型数据处理方法，如基于脉冲的计算；神经形态器件，开发创新的纳米器件，通常模拟生物组件（如神经元和突触）或实现存内计算等功能。

材料工程是关键

神经形态研究方法可按研究目标分为两类：一类专注于开发高效硬件平台，帮助理解生物神经系统；另一类则借鉴大脑原理，创造创新计算应用。

对于后者，尤其应该关注材料工程在推进CMOS和后CMOS技术中的关键作用。

数十年来，随着对晶体管依赖的电子技术发展，我们正迎来纳米电子技术的新纪元，其中基于功能材料的纳米电子技术变得尤为重要。

纳米级忆阻器，作为这一领域的明星，以其直接堆叠结构、多样化功能和特定优势，如可扩展性、温度稳定性、抗干扰能力等，在众多应用中扮演着关键角色。

忆阻器及其类似技术已成为下一代神经形态计算架构的基础单元，从20世纪60年代的阻变存储器发展至今，已成为人工神经元和突触的关键技术。

材料科学的基础原理对于开发新型纳米电子技术至关重要。忆阻器的吸引力源于其所具备的多种优势，这些优势受到材料及工艺的影响和调节。

阻变薄膜的材料种类繁多，包括一维、二维和三维材料，涵盖无机、有机及生物材料。忆阻行为的物理现象包括相变、氧化还原反应、离子传输、电子效应、范德华力，以及磁性和磁阻变化——这些现象强烈依赖于所使用的材料，而主要挑战在于正确选择适当材料组合及其尺寸。

神经形态硬件技术未来发展的关键步骤，包括2～3年的短期目标，是将新型非易失性存储器与数字系统集成，并在同一芯片上制造。3～5年的中期目标，涉及模拟计算，而长期目标则是实现真正的神经形态功能。

尽管预测这些目标的实现时间存在不确定性，但MRAM、RRAM和PCM等技术已经在产品中得到应用。

近期研究成果表明，在未来3～5年内，某些模拟系统可能会被更广泛地应用，而真正的神经形态技术可能率先在特定场景中实施。

推荐最有前景的材料系统，是科学家一项复杂的任务。

RRAM技术因其简单性和与CMOS的兼容性可能具有优势。基于氧化铪（HfO2）的铁电随机存储器（FeRAMs）和MRAM技术也展现出活跃的发展前景。二维材料有望与这些技术集成，进一步提升器件性能。

不同的应用对材料的要求不同，从嵌入式系统的集成便利性到非易失性存储器超越闪存的性能需求，以及对非传统模拟或神经形态功能的需求，都在不断发展中。

根据中国科学院科技战略咨询研究院、中国科学院文献情报中心与科睿唯安日前联合发布的《2024研究前沿报告》，类脑计算硬件创新设计方面有两个热点前沿方向，利用忆阻器实现高效的神经网络硬件加速首次成为热点前沿，神经形态计算的硬件设计、算法创新与应用，延续了去年脉冲神经网络及其神经形态芯片继续受全球广泛关注，成为热点前沿主题。

神经形态技术无疑是未来计算领域的有力竞争者，无论是基于传统的数字、模拟计算，还是基于概念上不同的计算和信号处理范式，它都展现出巨大的潜力。

随着研究的深入和技术的发展，神经形态计算将在未来发挥重要作用，特别是在解决长期未解的复杂问题和推动科学研究、教育、交通等领域的发展中。

（作者阿德南·米奥尼克Adnan Mehonic系《应用物理快报—机器学习》主编。本文系本报记者张楠根据其发表在《应用物理快报—材料》的署名文章编辑整理。）