最新进展大脑芯片：类脑芯片再登Nature子刊

最新进展大脑芯片：类脑芯片再登Nature子刊人工神经网络是机器学习的框架，已经促使该领域出现了一系列强大的人工智能（AI）应用。自然神经网络则是自然智能的基础，由电化学提供动力。与人工神经网络相比，自然神经网络可以从条件很少或条件很差的数据中学习，以适应环境。目前，这一学科的研究主要可分为两类，分别为人工神经网络（ANN）和自然神经网络（NNN）。论文作者设想创建一种类似人脑的存储芯片，该芯片将具有低功耗、轻松学习、适应环境等特性，该芯片未来甚至可以具备自主性和认知能力。这项研究于9月23日刊登在了顶级期刊《自然·电子》上，论文题目为《Neuromorphic electronics based on copying and pasting the brain（基于复制和粘贴大脑的神经形态电子学）》。论文DOI链接：https://doi.org/10.1038/s41928-021-00646-1神经形态电子学始于20世纪80年代

芯东西（公众号：aichip001）

编译 | 高歌

编辑 | Panken

芯东西9月27日消息，韩国当地时间9月26日，三星电子宣布，其研究人员和哈佛大学教授联合提出了一种将大脑神经元连接图（neuronal wiring map）“复制、粘贴”到高密度3维存储网络上的可能。

论文作者设想创建一种类似人脑的存储芯片，该芯片将具有低功耗、轻松学习、适应环境等特性，该芯片未来甚至可以具备自主性和认知能力。这项研究于9月23日刊登在了顶级期刊《自然·电子》上，论文题目为《Neuromorphic electronics based on copying and pasting the brain（基于复制和粘贴大脑的神经形态电子学）》。

论文DOI链接：https://doi.org/10.1038/s41928-021-00646-1

一、回归神经电子学科最初目标，逆向工程研究大脑

神经形态电子学始于20世纪80年代，其目的是利用集成电路来模拟生物神经系统中神经元网络的结构和功能。该学科的最终目标是将大脑的计算能力带到固态平台上。然而，由于模仿大脑神经元网络过于困难，该学科的研究重点已经转向事件驱动操作、记忆中的信息处理等受到大脑特征启发的技术。

目前，这一学科的研究主要可分为两类，分别为人工神经网络（ANN）和自然神经网络（NNN）。

人工神经网络是机器学习的框架，已经促使该领域出现了一系列强大的人工智能（AI）应用。自然神经网络则是自然智能的基础，由电化学提供动力。与人工神经网络相比，自然神经网络可以从条件很少或条件很差的数据中学习，以适应环境。

由于当前人类对神经元如何在大脑内部工作知之甚少，构建一个具有独特计算能力的神经网络电路从根本上受到了挑战。伴随着人工智能技术的发展，在CPU、GPU、NPU、TPU等数字处理器之外，研究人员开始推动模拟辅助功能的处理器，这类处理器在AI计算中的功耗更低。

论文作者认为，这类模拟辅助的处理器的运行方式灵感来自大脑，其存内计算的理念就如同生物突触分布在大脑中一样。不过这类处理器的目标仍是计算AI算法，而不是模拟大脑运行。三星和哈佛大学的研究团队希望回到神经形态电子学最初的目标，即通过逆向工程研究大脑。

当前的神经形态电子学科研究

二、CNEA实现数千突触连接记录，3D存储芯片成自然神经网络载体

为了实现上述目标，三星和哈佛的研究人员使用CMOS纳米电极阵列（CMOS nanoelectrode array，CNEA）和存储芯片对大脑神经元连接进行“复制、粘贴”，构建自然神经网络。

CMOS纳米电极阵列是此前哈佛大学研究团队的成果，该团队在半导体芯片上加工出了4096个记录和刺激电极的CMOS纳米电极阵列，芯片上还有4096个电子通道，可以同时记录数千个神经元的突触连接。2020年，这项研究发表在了《自然·生物医学工程》上。

CMOS纳米电极阵列

因为CMOS纳米电极阵列中，每个垂直纳米电极都配备了电流注入器和电压放大器，可以持续向神经元注入电流，稳定细胞的电生理，这使神经元能够在研究的时候保持活性。

在实验中，研究团队通过CMOS纳米电极阵列研究小鼠皮层神经元网络，在19分钟内测量了来自1728个电极的细胞信号。这个数字还能够很容易地进行扩展，因为制造阵列密度更大、性能更强的半导体器件正是半导体行业所一直追求的。

目前，研究团队正在研究小鼠的视网膜和嗅球/梨状皮层中神经元，这些神经元由于功能不同，其组织形态也并不相同，有着各自的研究价值。之后，研究团队也会从这些外围神经元逐渐探索大脑神经元的突触连接。

在“粘贴”这一步，三星和哈佛大学的研究团队则计划当记录下细胞内神经信号后，用专门设计的存储器网络下载信号，构建自然神经网络。

通过计算机辅助分析“复制”的神经信号，再将信号“粘贴”到存储网络中

研究团队写道，随着3D堆叠、先进封装等技术发展，存储芯片有着承载记忆网络的潜力。其中，闪存、磁性随机存取存储器（MRAM）、相变随机存取存储器（PRAM）和电阻式随机存取存储器（RRAM）4种存储芯片各具优点，被研究人员认为可用作存储网络载体。

具体来说，研究人员将用计算机辅助分析程序来提取功能性突触连接图，然后用该图构建、编程一个记忆网络。由于一个神经元在大脑中约有1000个突触，因此记忆网络应具有1000倍神经元的内存芯片。

对于存储器来说，快速写入并验证记忆网络并不困难，当前3D闪存的写入速度通常超过100MB/s。但对计算机辅助分析程序来说，即使是4096个通道在19分钟里也会产生约80G的数据，随着CMOS纳米电极阵列进一步扩展，其数据量也会有所提升。

研究人员也尝试绕过计算机辅助分析，将每个硅基芯片和生物神经元一一对应，直接将连接图下载到RRAM或PRAM网络上。但由于离子通道的随机性等原因，RRAM和PRAM存储器很难应用在大型网络中。

可承载自然神经网络的3D存储芯片

三、未来或创建类脑存储芯片，甚至可模拟神经元生长变化

尽管实现起来还有很多挑战，但这项研究是一项开创性的努力，旨在对大脑神经元进行重建。截至目前，学界通过显微镜研究获得的大脑信息主要源自解刨图，没有对不同功能突触的连接进行量化。

三星和哈佛大学研究团队所进行的这项研究可以重现不同功能突触的连接，还可展现离子通道、反馈延迟等其他神经元属性。理想情况下，该研究无需揭示神经元的工作原理，就像是对大脑的快照一样获得神经元连接和分布。

三星称，如果研究成功，研究人员可以创建一种接近大脑的存储芯片。该存储芯片具备低功耗、轻松学习、适应环境，甚至包括自主性和认知能力等特性。

论文最后，研究团队承认，该研究也存在一些理论上的缺陷。比如大脑神经元会因为学习和生长而发生变化，但该研究采用固定的芯片承载神经元网络，无法跟踪大脑神经元发生的缓慢变化。未来，他们可以创建一个具有可塑性的自然神经网络，模拟大脑神经元变化。

研究人员称，他们不能保证能够解决每一个挑战，但相信可以通过这项研究突破神经形态工程、神经科学和半导体等技术的界限。

论文的共同通讯作者（从左至右分别为：三星高等技术学院（SAIT）院士兼哈佛大学教授Donhee Ham、哈佛大学教授朴洪坤、三星SDS总裁兼首席执行官Sungwoo Hwang（前SAIT负责人）和三星电子副董事长兼CEO Kinam Kim）

结语：研究或将加速相关神经元研究

随着人工智能技术的发展，推荐算法、深度学习等应用迅速普及，机器视觉、AI医疗、AI芯片等相关新兴赛道涌入了大量玩家。无论是创企还是科技巨头都在加快布局，占领新的市场。

但同时，脑科学在神经元模拟等方面的进展并没有人工智能那么大。本次三星和哈佛大学的研究既为神经元连接研究提供了一种新的可能和方向，也有着巨大的应用前景。这或许可以吸引更多地高校、企业加入，加速相关领域研究。

来源：《自然·电子》、三星电子官网