人工大腦能有多遠？也許還有很長一段路要走，但大腦網絡的基本要素——突觸——的一個有效的類似物現在似乎近在咫尺。

這是因為一種從電池中汲取靈感的設備現在看起來非常適合運行人工神經網絡。它被稱為電化學RAM（ECRAM），它給傳統的基于晶體管的人工智能帶來了意想不到的收益，并在開發完美的人工突觸的競賽中迅速走向領先地位。研究人員最近在IEEE國際電子設備會議（IEDM 2022）和其他會議上報告了一系列進展，包括使用更少能量、保存更久和占用更少空間的ECRAM設備。

為今天的機器學習算法提供動力的人工神經網絡是一種軟件，它對大量基于電子技術的“神經元”以及它們的許多連接或突觸進行建模。研究人員認為，用真實的設備來表示組件，尤其是突觸，會產生更快、更節能的人工智能，而不是用軟件來表示神經網絡。這個被稱為模擬AI的概念需要一個結合了大量難以獲得的屬性的存儲單元：它需要保持足夠大的模擬值范圍，可靠且快速地在不同值之間切換，長時間保持其值，并且能夠大規模生產。

“These devices responded much faster than the brain synapse. As a result, they give us the possibility of essentially being able to do a brainlike computation, artificial-intelligence computation, significantly faster than the brain, which is what we really need to realize the promise of artificial intelligence.”
—Jesus del Alamo, MIT

大多數類型的存儲器都適合于存儲數字值，但噪聲太大，無法可靠地存儲模擬值。但回到2015年，由Alec Talin領導的桑迪亞國家實驗室的一組研究人員意識到答案就在他們面前：電池的充電狀態。

“從根本上講，電池是通過在兩種材料之間移動離子來工作的。當離子在兩種物質之間移動時，電池會儲存和釋放能量，”現為密歇根大學材料科學與工程教授的Yiyang Li說,“我們發現，我們可以使用相同的過程來存儲信息。”

換句話說，通道中的離子數量決定了存儲的模擬值。理論上，單個離子的差異是可以檢測的。ECRAM使用這些概念，通過第三柵極端子控制“電池”中的電荷量。

想象一個電池，左邊是負極，中間是離子摻雜通道，右邊是正極。由通道中的離子數量規定的正負端子之間的導電率決定了設備中存儲的模擬值。在通道上方，有一個電解質屏障，允許離子（而不是電子）通過。在屏障的頂部是一個儲層，含有流動離子的供應。施加到該儲槽的電壓充當“門”，迫使離子通過電解質阻擋層進入通道，或相反。如今，切換到任何所需的存儲值所需的時間非常快。

麻省理工學院工程和計算機科學教授Jesus del Alamo表示：“這些設備的反應比大腦突觸快得多。因此，它們給我們提供了一種可能性，即基本上能夠進行類似大腦的計算，人工智能計算，其速度明顯快于大腦，這是我們真正需要實現人工智能的承諾。”

最近的發展迅速使ECRAM接近理想模擬存儲器所需的所有質量。

“

能量更低

離子不會比單個質子小。Del Alamo在麻省理工學院的團隊選擇了這種最小的離子作為他們的信息載體，因為它無與倫比的速度。就在幾個月前，他們展示了一種設備，這種設備可以在幾納秒內移動離子，大約是大腦突觸的10000倍。但速度還不夠。

“我們可以看到設備對仍然有點太大的（電壓）脈沖的響應非常快，”del Alamo說，“這是一個問題。我們希望能夠讓設備對電壓較低的脈沖的響應速度非常快，因為這是能源效率的關鍵。”

在近日于IEEE IEDM 2022上發表的研究中，麻省理工學院的團隊首次對電流進行實時研究，深入了解了他們設備的運行細節。他們發現了他們認為的阻礙器件在較低電壓下切換的瓶頸：質子很容易穿過電解質層，但需要在電解質和通道之間的界面施加額外的電壓。del Alamo說，有了這些知識，研究人員相信他們可以設計材料界面，以降低開關所需的電壓，從而為更高的能源效率和可擴展性打開大門。

“

內存更久

編程后這些器件通常會保持幾個小時的電阻率。桑迪亞國家實驗室（Sandia National Laboratories）和密歇根大學（University of Michigan）的研究人員聯手，將這一保留時間上限提高到10年。他們在11月的《先進電子材料》雜志上發表了他們的研究結果。

為了長時間保持記憶，由Yiyang Li領導的團隊選擇了麻省理工學院設備中較重的氧離子而不是質子。即使有更大質量的離子，他們觀察到的情況也是出乎意料的。Li回憶道：“我記得有一天，當我在旅行時，我的研究生Diana Kim向我展示了這些數據，我很驚訝。我們沒想到它會如此不穩定。我們后來一遍又一遍地重復這個過程，才獲得足夠的信心。”

他們推測，非揮發性來源于他們選擇的材料，氧化鎢，以及氧離子在其中的排列方式。“我們認為這是由于一種叫做相分離的物質特性，它允許離子自行排列，從而沒有驅動力將其推回，”Li解釋道。

不幸的是，如此長的保留時間是以犧牲切換速度為代價的，對于Li的設備來說，切換速度只需幾分鐘。但是，研究人員表示，對如何實現保留時間的物理理解使他們能夠尋找同時具有長記憶和更快切換特性的其他材料。

“

面積更小

這些設備上增加的第三個終端使它們比競爭的兩個終端存儲器更大，限制了可擴展性。韓國浦項科技大學的研究人員將這些裝置放在一邊，以幫助縮小裝置并將其有效地封裝成陣列。這使得研究人員能夠將這些設備的占地面積減少到30×30納米，面積約為前幾代的五分之一，同時保持了開關速度，甚至提高了能效和讀取時間。研究人員還在IEEE IEDM 2022上報告了他們的結果。

該團隊將他們的器件構造成一個巨大的垂直堆疊：源極沉積在底部，導電溝道放置在下一個，然后是其上方的漏極。為了讓漏極允許離子進出溝道，他們用單層石墨烯取代了通常的半導體材料。這種石墨烯漏極還用作控制離子流的額外屏障。在其上方，他們放置了電解質屏障，最后在頂部放置了離子池和柵極端子。使用這種配置，不僅性能沒有降低，而且將信息寫入和讀取設備所需的能量也降低了。結果，讀取狀態所需的時間減少了20倍。

盡管有上述所有進步，但加速AI訓練的商用ECRAM芯片仍有一段距離。IBM Research AI Hardware Center的項目總監John Rozen表示，這些設備現在可以由鑄造友好材料制成，但這只是故事的一部分。“社區的一個關鍵焦點應該是解決集成問題，使ECRAM設備能夠與前端晶體管邏輯在同一晶圓上單片耦合，這樣我們就可以大規模地構建演示器，并確定它是否確實是一種可行的技術。”

Rozen在IBM的團隊正在努力實現這一可制造性。與此同時，他們創造了一種軟件工具，允許用戶使用不同的模擬人工智能設備（包括ECRAM）來實際訓練神經網絡并評估其性能。