洛斯阿拉莫斯实验室集成纳米技术中心(CINT)的研究人员最近公布了有关模拟神经突触行为的神经形态计算设备的详细信息。结果在识别手写数字方面达到94.72%准确率的计算。

该器件是由金/铌掺杂的钛酸锶制成的接口型忆阻器，全部采用肖特基结构(Au/Nb:STO)。器件的模拟电阻可以通过忆阻器接口进行控制，使用这些材料，可以修改电压极性和振幅等肖特基势垒参数，从而改变器件的电导。

忆阻器是神经形态计算中一项很有前途的技术，因为即使在断电时它们也可以被编程和“记住”。这模仿了“突触可塑性”，这是大脑记忆和学习的重要基础。它允许突触根据其活动增强或减弱，并由突触上的神经递质受体控制。

除了突触可塑性，研究人员的原型还可以模拟其他突触功能，例如成对脉冲促进、短期增强和抑制、长期增强和抑制以及尖峰时间依赖性可塑性。洛斯阿拉莫斯团队认为，他们的新设备可能会避开冯诺依曼瓶颈的传统挑战。

冯诺依曼瓶颈描述了经典计算机体系结构中的一个问题，其中处理和内存是分开的。要将信息传输到计算机的中央处理器(CPU)或图形处理单元(GPU)，必须从内存中读取数据，然后通过数据总线传输。

瓶颈出现在这个数据传输过程中。多年来，研究人员付出了巨大的努力来最大限度地减少这一瓶颈，使用预取、预测执行或缓存等策略。然而，数据速率在一定程度上仍然受到限制，当需要传输和处理图像或视频等数据集时，这可能是一个挑战。

这种数据传输会消耗大量能量；在数据中心用于机器学习等应用的世界中，能源使用也越来越受到成本和环境影响的

转载请注明:http://www.aideyishus.com/lkzp/6509.html