法國研究人員日前成功開發出能自主學習的人工神經突觸，首次開發出能預測人工神經突觸如何工作的物理模型，借助該模型，創建更復雜的系統成為了可能。
能夠學習的人工神經突觸人造大腦或將要實現以VincentGarcia為首的法國科研人員，近日在人工神經領域取得了突破：在芯片上直接創制出能夠學習的人工神經突觸，即artificialsynapse，以及能夠解釋其學習能力的物理模型。該研究為創造人工神經突觸網絡，因而開發出更快速高效的人工智能系統打開了一扇大門。
研究成果在昨日發表于《NatureCommunications》。仿生學領域的一項重要目標，是模仿人腦從大腦的機能與運轉方式獲取靈感，來設計更加智能的機器。這在信息學科應用廣泛，用來處理成特定任務的算法，如圖像識別，就受到仿生學的啟發。但它們能耗巨大。
以VincentGarcia為首的法國科研人員，近日在該領域取得了突破：在芯片上直接創制出能夠學習的人工神經突觸，以及能夠解釋其學習能力的物理模型。該研究為創造人工神經突觸網絡，因而開發出更快速高效的人工智能系統打開了一扇大門。
人腦的學習過程與神經突觸緊密關聯，后者起到連接神經元的作用。被激活的神經突觸越多，其連接就會受到強化，學習得到提升。研究人員從這項機制獲取靈感，工業機器人維修，來設計名為憶阻器（Memristor）的人工神經突觸。該納米電子原件，由兩個電極，以及夾在它們之間的一層薄鐵電物質（ferroelectriclayer）組成。后者的電阻，可用類似于神經元電信號的電壓脈沖來調整。若電阻低，庫卡機器人，突觸聯系（synapticconnection）會很強；若電阻高，突觸聯系會較弱。讓人工神經突觸進行學習，完全是基于這項調整電阻的能力。
雖然，全世界有許多頂級實驗室在研究人工神經突觸，機器人維修，這些設備的工作原理在很大程度上仍是未知的。法國研究人員的主要貢獻在于：首次開發出能預測人工神經突觸如何工作的物理模型。借助該模型，創建更復雜的系統成為了可能，比如一系列與這些憶阻器相互連結的人工神經元。
作為歐盟ULPECH2020研究項目的一部分，該發現將會用于在新型攝像頭上進行實時輪廓識別：除非觀察到視角變化，像素點會保持不活動狀態。該數據處理過程的能耗更低，并能更快地檢測選中的對象。參與該研究的學者來自于CNRS/Thales物理學聯合研究室，波爾多大學、巴黎第十一大學、埃夫里大學以及美國阿肯色大學。