以神经元为模型的超导计算芯片可以比人脑更快，更有效地处理信息。在1月26日的《科学进展》中描述的这项成就是开发旨在模仿生物系统的先进计算设备的关键基准。它可能会为更自然的机器学习软件打开大门，尽管在将其商业化使用之前还存在许多障碍。
人工智能软件已越来越多地开始模仿大脑。诸如Google自动图像分类和语言学习程序之类的算法使用人工神经元网络来执行复杂的任务。但是，由于传统的计算机硬件并非设计为运行类似大脑的算法，因此这些机器学习任务需要比人脑多几个数量级的计算能力。
美国科罗拉多州博尔德市美国国家标准与技术研究院（NIST）的物理学家迈克尔·施耐德（Michael Schneider）说：“这里一定有更好的方法，因为自然界已经找到了一种更好的方法。”该研究的合著者。
NIST是试图开发模仿人类大脑的“神经形态”硬件的少数小组之一，希望它能更有效地运行类似大脑的软件。在常规的电子系统中，晶体管以规则的间隔和精确的量（1位或0位）处理信息。但是神经形态设备可以从多个来源积累少量信息，改变它以产生不同类型的信号，并仅在需要时才发出电脉冲，就像生物神经元一样。结果，神经形态设备运行所需的能量更少。
注意间隔
但是这些设备仍然效率低下，特别是当它们跨晶体管之间的间隙或突触传输信息时。因此，施耐德（Schneider）小组从铌超导体中制造出了神经元状的电极，这些电极在没有电阻的情况下导电。他们用数千个纳米级的磁性锰填充了超导体之间的间隙。
通过改变突触中的磁场量，可以将纳米团簇对准以指向不同的方向。这使系统可以在电水平和磁方向上对信息进行编码，从而在不占用额外物理空间的情况下，使其比其他神经形态系统具有更大的计算能力。
突触可以每秒发射十亿次，比人神经元快几个数量级，并消耗生物突触所消耗能量的千分之一。
在计算机仿真中，合成神经元在将其传递到下一个电极之前，可以整理多达九个来源的输入。施耐德表示，在将基于该技术的系统用于复杂计算之前，将需要数百万次的突触，而且是否有可能将其扩展到这一水平还有待观察。
另一个问题是，突触只能在接近绝对零的温度下运行，并且需要用液氦冷却。英国曼彻斯特大学的计算机工程师史蒂芬·弗伯（Steven Furber）研究神经形态计算，他说，尽管大型数据中心可能能够维护这些芯片，但在小型设备中使用这些芯片可能不切实际。但施耐德表示，与使用等效量的计算能力运行传统电子系统相比，冷却设备所需的能源要少得多。
替代方法
帕萨迪纳市加利福尼亚理工学院的电气工程师Carver Mead对这项研究表示赞赏，称其为神经形态计算的一种新方法。他说：“他的领域充满了炒作，很高兴看到客观地介绍高质量的作品。”但是他补充说，将这些芯片用于实际计算还需要很长时间，并指出，它们正面临来自正在开发的许多其他神经形态计算设备的激烈竞争。
弗伯还强调，实际应用将在不久的将来。他说：“装置技术可能非常有趣，但是我们对[生物]突触的关键特性还不够了解，无法知道如何有效地使用它们。”例如，关于突触在形成存储器时如何重塑自身，使得在存储器存储芯片中很难重新创建过程，存在许多悬而未决的问题。
尽管如此，弗伯说，由于新计算设备要投入市场需要10年甚至更长的时间，因此即使神经科学家努力理解人脑，也有必要开发尽可能多的不同技术方法。
