我們的大腦可能不大，但它們蘊含大量的計算能力。出于這個原因，許多研究人員一直對創建模擬大腦神經信號處理的人工網絡感興趣。這些人工網絡，稱為脈沖神經網絡 (SNN)，可用于創建智能機器人，或更好地了解大腦本身。

然而，大腦有 1000 億個微小的神經元，每個神經元通過突觸連接到 10,000 個其他神經元，并通過電脈沖的協調模式表示信息。在緊湊型設備上使用硬件模擬這些神經元——同時確保以節能的方式完成計算——已被證明具有挑戰性。

在最近的一項研究中，印度的研究人員實現了超低能量的人工神經元，使 SNN 的排列更加緊湊。結果發表在 5 月 25 日的IEEE Transactions on Circuits and Systems I: Regular Papers上。

就像大腦中的神經元在給定的能量閾值處出現峰值一樣，SNN 依賴于人工神經元網絡，其中電流源為泄漏的電容器充電，直到達到閾值水平并且人工神經元觸發，并且存儲的電荷重置為零. 然而，許多現有的 SNN 需要大的晶體管電流來為其電容器充電，這會導致高功耗或人工神經元啟動過快。

在他們的研究中，孟買印度理工學院教授 Udayan Ganguly及其同事創建了一種 SNN，該 SNN 依靠一種新的緊湊型電流源為電容器充電，稱為帶間隧道 (BTBT) 電流。

使用 BTBT，量子隧穿電流以超低電流為電容器充電，這意味著需要更少的能量。在這種情況下，量子隧穿意味著電流可以通過類似量子波的行為流過人工神經元硅中的禁隙。BTBT 方法還無需使用大型電容器來存儲大量電流，從而為芯片上更小的電容器鋪平了道路，從而節省了空間。當研究人員使用 45 納米商用絕緣體上硅晶體管技術測試他們的 BTBT 神經元方法時，他們看到了大量的能源和空間節省。

“與在硬件尖峰神經網絡中實現的最先進的 [人工] 神經元相比，我們在相似區域實現了 5,000 倍的每個尖峰能量降低，并且在相似的區域和每個尖峰的能量降低了 10 倍，”Ganguly 解釋說.

然后，研究人員將他們的 SNN 應用于受大腦聽覺皮層啟發的語音識別模型。使用 20 個人工神經元進行初始輸入編碼和 36 個額外的人工神經元，該模型可以有效地識別口語，證明該方法在現實世界中的可行性。

值得注意的是，這種類型的技術可以很好地適用于一系列應用，包括語音活動檢測、語音分類、運動模式識別、導航、生物醫學信號、分類等。Ganguly 指出，雖然這些應用程序可以使用當前的服務器和超級計算機來完成，但 SNN 可以使這些應用程序與邊緣設備一起使用，例如手機和物聯網傳感器——尤其是在能源限制緊張的情況下。

他說，雖然他的團隊已經證明他們的 BTBT 方法很有用對于關鍵字檢測等特定應用，他們有興趣為各種應用和客戶展示通用可重復使用的神經突觸核心，并創建了一家名為 Numelo Tech 的初創公司來推動商業化。他說，他們的目標“是一個極低功耗的神經突觸核心，并開發一種實時片上學習機制，這是自主生物啟發神經網絡的關鍵。這是圣杯。