人工智能底层硬件里程碑：首个人造神经元面世
对于不少该领域的科学家而言，人工智能的终极目标之一就是用机器实现人脑的全部功能，而作为人脑的最小细胞单位——神经元，可能会是一个最好的入手点。
美国当地时间8月3日，ibm官方宣布了他们的最新成果——首个人造神经元，可用于制造高密度、低功耗的认知学习芯片。
ibm苏黎世研究中心制成了世界上第一个人造纳米尺度随机相变神经元。ibm已经构建了由500个该神经元组成的阵列，并让该阵列以模拟人类大脑的工作方式进行信号处理。
该技术突破具有重要意义，因为相变神经元具有传统材料制成的神经元无法匹敌的特性——其尺寸能小到纳米量级。此外，它的信号传输速度很快，功耗很低。更重要的是，相变神经元是随机的，这意味着在相同的输入信号下，多个相变神经元的输出会有轻微的不同，而这正是生物神经元的特性。
人造神经元论文的第一作者：托马斯·图玛（tomas tuma）
ibm相变神经元由输入端（类似生物神经元的树突）、神经薄膜（类似生物神经元的双分子层）、信号发生器（类似生物神经元的神经细胞主体）和输出端（类似生物神经元的轴突）组成。信号发生器和输入端之间还有反馈回路以增强某些类型的输入信号。
人造神经元研发团队，图片来源：ibm
神经薄膜是整个神经元的关键。在生物神经细胞中，起神经薄膜作用的是一层液态薄膜，它的物理机理类似于电阻和电容：它阻止电流直接通过，但同时又在吸收能量。当能量吸收到一定程度，它就向外发射自己产生的信号。这信号沿着轴突传导，被其他神经元接收。然后再重复这一过程。
在ibm制造的神经元中，液态薄膜被一小片神经薄膜取代。神经薄膜是由锗锑碲复合材料（也称gst材料）制成的，该材料也是可重写蓝光光盘的主要功能材料。锗锑碲复合材料是一种相变材料，即它可以以两种状态存在：晶体态和无定形态。通过激光或电流提供能量，两种状态之间可以互相转变。在不同状态下，相变材料的物理特性截然不同：锗锑碲复合材料在无定形态下不导电，而在晶体态下导电。
在人工神经元中，锗锑碲薄膜起初是无定形态的。随着信号的到达，薄膜逐渐变成结晶态，即逐渐变得导电。最终，电流通过薄膜，制造一个信号，并通过该神经元的输出端发射出去。在一定的时间后，锗锑碲薄膜恢复为无定形态。这个过程周而复始。
生物神经元与人造神经元对比图，图片来源：ibm
由于生物体内各种噪声的存在，生物神经元是随机的（stochastic）。ibm研究人员表示，人工神经元同样表现出了随机特性，因为神经元的薄膜在每次复位后，其状态有轻微的不同，因此随后的晶态化过程略有不同。因此，科学家无法确切地知道每次人工神经元会发射什么信号。
那么人工神经元到底有何意义？
首先，人工神经元采用了成熟的材料，历经几十亿次工作而不损坏（寿命长），体积极小（有报道说是90纳米，但从下图中看应该在300纳米左右，而论文中表示未来有望达到14纳米）。因此，这是一种性能非常棒的器件。
人工神经元网络。图中的银色方块是放大后的相变神经元，该神经元网络还没有配备工业标准的输入输出接口。图片来源：ibm
其次，人工神经元跟生物神经元的工作方式非常类似。当大批人工神经元组成并行计算机后，它也许可以和人类一样进行决策和处理感官信息。ibm表示，他们的人工神经元技术和目前发展中的另外一种人工神经元器件——忆阻器互为补充。
目前，ibm制造了10乘10的神经元阵列，将5个小阵列组合成一个500神经元的大阵列，该阵列可以用类似人类大脑的工作方式进行信号处理。事实上，人工神经元已经表现出和人类神经元一样的“集体编码”特性。此外，它的信号处理能力已经超过了奈奎斯特-香农采样定理规定的极限。
编者注：集体编码：每个神经元有2种状态，可以表示1比特信息，那么n个神经元就可以表示2n比特信息。神经元数量足够多时，能表示的信息量将极其惊人。
ibm研究人员计划构建包含几千个相变神经元的单一芯片，并编写能充分利用相变神经元芯片随机特性的软件。
安防方案：基于千兆工业以太网通信
高三毕业生必看的轻便便携笔记本选购指南
华为鸿蒙2.0已与国内家电厂商达成合作，让智能设备交互变得极简
戴姆勒和宝马暂停自动驾驶技术合作
CPU和主板都面临涨价 何时降价成未知数
人工智能底层硬件里程碑：首个人造神经元面世
空气检测站的产品特点是什么
特斯拉热管理系统研究报告
Win8相对Win7的五大升级
简述DSP数字信号处理器在科里奥利质量流量计上的应用
身处困境的华为传来了好消息，英国电信和华为签下了20亿英镑的合作协议
使用DS1086作为单片机的时钟上以降低电磁干扰-Using
2020年上半年中国锂电三元正极材料市场规模113.3亿元
SiP产品严格而规范的设计流程
如何使用Arduino制作触控电容式钢琴
如何通过防爆电动阀门的结构看出操作管理机构
LED凉凉，MOCVD厂商的出路在何方？
Mach1专利的空间音频技术可在Bose AR平台上使用
将印刷工艺与OLED显示相结合，全球首款喷墨打印可卷绕柔性样机发布
ADC多次采样的实现思路
美国当地时间8月3日，ibm官方宣布了他们的最新成果——首个人造神经元，可用于制造高密度、低功耗的认知学习芯片。
ibm苏黎世研究中心制成了世界上第一个人造纳米尺度随机相变神经元。ibm已经构建了由500个该神经元组成的阵列，并让该阵列以模拟人类大脑的工作方式进行信号处理。
该技术突破具有重要意义，因为相变神经元具有传统材料制成的神经元无法匹敌的特性——其尺寸能小到纳米量级。此外，它的信号传输速度很快，功耗很低。更重要的是，相变神经元是随机的，这意味着在相同的输入信号下，多个相变神经元的输出会有轻微的不同，而这正是生物神经元的特性。
人造神经元论文的第一作者：托马斯·图玛（tomas tuma）
ibm相变神经元由输入端（类似生物神经元的树突）、神经薄膜（类似生物神经元的双分子层）、信号发生器（类似生物神经元的神经细胞主体）和输出端（类似生物神经元的轴突）组成。信号发生器和输入端之间还有反馈回路以增强某些类型的输入信号。
人造神经元研发团队，图片来源：ibm
神经薄膜是整个神经元的关键。在生物神经细胞中，起神经薄膜作用的是一层液态薄膜，它的物理机理类似于电阻和电容：它阻止电流直接通过，但同时又在吸收能量。当能量吸收到一定程度，它就向外发射自己产生的信号。这信号沿着轴突传导，被其他神经元接收。然后再重复这一过程。
在ibm制造的神经元中，液态薄膜被一小片神经薄膜取代。神经薄膜是由锗锑碲复合材料（也称gst材料）制成的，该材料也是可重写蓝光光盘的主要功能材料。锗锑碲复合材料是一种相变材料，即它可以以两种状态存在：晶体态和无定形态。通过激光或电流提供能量，两种状态之间可以互相转变。在不同状态下，相变材料的物理特性截然不同：锗锑碲复合材料在无定形态下不导电，而在晶体态下导电。
在人工神经元中，锗锑碲薄膜起初是无定形态的。随着信号的到达，薄膜逐渐变成结晶态，即逐渐变得导电。最终，电流通过薄膜，制造一个信号，并通过该神经元的输出端发射出去。在一定的时间后，锗锑碲薄膜恢复为无定形态。这个过程周而复始。
生物神经元与人造神经元对比图，图片来源：ibm
由于生物体内各种噪声的存在，生物神经元是随机的（stochastic）。ibm研究人员表示，人工神经元同样表现出了随机特性，因为神经元的薄膜在每次复位后，其状态有轻微的不同，因此随后的晶态化过程略有不同。因此，科学家无法确切地知道每次人工神经元会发射什么信号。
那么人工神经元到底有何意义？
首先，人工神经元采用了成熟的材料，历经几十亿次工作而不损坏（寿命长），体积极小（有报道说是90纳米，但从下图中看应该在300纳米左右，而论文中表示未来有望达到14纳米）。因此，这是一种性能非常棒的器件。
人工神经元网络。图中的银色方块是放大后的相变神经元，该神经元网络还没有配备工业标准的输入输出接口。图片来源：ibm
其次，人工神经元跟生物神经元的工作方式非常类似。当大批人工神经元组成并行计算机后，它也许可以和人类一样进行决策和处理感官信息。ibm表示，他们的人工神经元技术和目前发展中的另外一种人工神经元器件——忆阻器互为补充。
目前，ibm制造了10乘10的神经元阵列，将5个小阵列组合成一个500神经元的大阵列，该阵列可以用类似人类大脑的工作方式进行信号处理。事实上，人工神经元已经表现出和人类神经元一样的“集体编码”特性。此外，它的信号处理能力已经超过了奈奎斯特-香农采样定理规定的极限。
编者注：集体编码：每个神经元有2种状态，可以表示1比特信息，那么n个神经元就可以表示2n比特信息。神经元数量足够多时，能表示的信息量将极其惊人。
ibm研究人员计划构建包含几千个相变神经元的单一芯片，并编写能充分利用相变神经元芯片随机特性的软件。
安防方案：基于千兆工业以太网通信
高三毕业生必看的轻便便携笔记本选购指南
华为鸿蒙2.0已与国内家电厂商达成合作，让智能设备交互变得极简
戴姆勒和宝马暂停自动驾驶技术合作
CPU和主板都面临涨价 何时降价成未知数
人工智能底层硬件里程碑：首个人造神经元面世
空气检测站的产品特点是什么
特斯拉热管理系统研究报告
Win8相对Win7的五大升级
简述DSP数字信号处理器在科里奥利质量流量计上的应用
身处困境的华为传来了好消息，英国电信和华为签下了20亿英镑的合作协议
使用DS1086作为单片机的时钟上以降低电磁干扰-Using
2020年上半年中国锂电三元正极材料市场规模113.3亿元
SiP产品严格而规范的设计流程
如何使用Arduino制作触控电容式钢琴
如何通过防爆电动阀门的结构看出操作管理机构
LED凉凉，MOCVD厂商的出路在何方？
Mach1专利的空间音频技术可在Bose AR平台上使用
将印刷工艺与OLED显示相结合，全球首款喷墨打印可卷绕柔性样机发布
ADC多次采样的实现思路