美國西北大學工程師團隊近日取得重大突破，研發出能直接與真實腦細胞互動的印製式人工神經元。這些裝置無需軟體驅動、製造成本低廉，更能產生與活體神經元高度相似的電訊號。在使用小鼠腦組織切片進行的實驗測試中，這些人工神經元成功激發真實神經元，並引發可測量反應。此成果顯示電子系統與生物神經網路之間達到前所未有的兼容水準。此研究為能與神經系統通訊的電子裝置開闢重要道路，有望支持腦機介面及神經假體設備發展，包括針對失明、失明或運動障礙的植入裝置。
同時，研究結果亦指向未來更高效計算。透過重製神經元發送信號的方式——這是大腦作為已知最節能計算系統的核心特徵——下一代晶片能在處理複雜任務時消耗遠低於現有系統的能量。
仿生神經元設計與驗證
研究已於 4 月 15 日發表在《自然·納米科技》期刊上。研究負責人、西北大學材料科學與工程系教授 Walter M. gritty Matt 馬庫斯·埃里克森表示：「我們今日生活的世界由人工智能主導。要讓人工智能變得更聰明，就需要用越來越多的數據來訓練它。這種數據密集型訓練導致了巨大的能耗問題。因此，我們需要開發更高效晶片來處理大數據和人工智能。由於大腦的能效比數位電腦高五個數量級，從大腦中尋找下一代計算的靈感是合理的。
」 伴隨計算需求的增長，傳統系統透過增加更多相同組件來應對這些挑戰。現代理想晶片包含數十億個排列在平面晶片上的電晶體，每個元件執行相同功能。一旦製造完成，這些系統就無法改變。而大腦運作方式則完全不同。它由多種類型神經元組成，每種均有專門角色，組織在軟體的三維網路中。這些網路不斷適應，在學習發生時形成新連接並重塑現有連接。埃里克森解釋：「人們透過擁有數十億個相同裝置來實現複雜性。
一切都是相同的、剛性的，一旦製造就固定了。大腦則相反。它是異質的、動態的和三維的。要朝那個方向發展，我們需要新材料和新電子構建方式。」 雖然之前已創造人工神經元，但大多數產生的訊號過於簡單。為了生成更複雜行為，工程師通常依賴大型網路，這會增加能耗。為了更好地匹配真實神經元行為，研究人員使用軟性可打印刷料設計了他們的裝置。他們用二氧化矽層製造專門電子墨水，這種材料作為半導體發射作用，而石墨烯則當導體。
這些墨水透過稱為氣溶膠噴射打印的方法沉積在軟性聚合物表面上。 先前，這些墨水中的聚合物成分被視為缺點，因為它會干擾電流，所以通常在打印後被移除。在這種情況下，研究團隊反其道而行，利用了它的優勢。研究人員表示：「我們不是完全移除聚合物，而是部分分解它。然後，當我們讓電流通過設備時，我們進一步推動聚合物的分解。這種分解以空位不均勻的方式發生，導致導電絲的形成，使所有電流被限制在空間中的一個短暫區域。
」這條短暫導電路徑產生類似神經元放電的尖峰電反應。因此，人工神經元能產生各種各樣的訊號，包括單次尖峰、穩定放電和爆發模式，緊密模擬真實神經活動。由於每個裝置能處理更複雜訊號傳遞，整體所需的組件更少，這可顯著提升未來計算系統的效率。 為了確定這些人工神經元是否能與真實生物系統互動，研究團隊與醫學院神經生物學教授 Yingjie 拉拉 合作。他們的團隊將人工訊號應用於小鼠小腦切片。
結果顯示，這些電尖峰與自發神經元活動的關鍵特徵相匹配，包括時間和持續時間。這些訊號能有效刺激真實神經元，並以類似自發大腦訊號的方式觸發神經迴路。埃里克森說：「其他實驗室試驗用機物料製造人工神經元，但它們放電太慢。或者他們使用金屬氧化物，這些又太快了。我們處於一個之前未在人工神經元中展現過的時間尺度。你可以看到活體神經元對我們的人工神經元做出反應。因此，我們已展示不僅時間尺度正確，而且尖峰形狀也正確的訊號，能直接與活體神經元互動。
」 這種新方法還提供了環境和實用優勢。製造過程簡單且成本效益高，打印方法透過僅在需要的位置放置材料來有效使用材料，減少浪費。伴隨人工智能系統的持續擴張，提升能源效率尤為重要。大模型中心已消耗大量電力，並需要大量水來冷卻。埃里克森指出：「為了滿足人工智能的能源需求，科技公司正建造專門核電站供電給數據中心。很明顯，這種巨大的功耗將限制計算的進一步擴展，因為很難想像下一代數據中心需要 100 座核電站。
另一個問題是，當功耗散千瓦時，會產生大量熱量。由於數據中心用水冷卻，人工智能正給供水帶來嚴重壓力。無論怎麼看，我們都需要為人工智能開發更節能晶片。」此研究獲得美國國家科學基金會支持。
