新型类脑芯片，AI能效提升2000倍

研究人员发现，一种利用材料物理特性处理信息的新型计算机芯片，有望大幅提升部分AI系统的能效。拉夫堡大学的物理学家研发出一款器件，能够直接在硬件层面处理随时间变化的数据，而非依赖在传统计算机上运行的软件，该研究成果发表在《高级智能系统》。

研究表明，在部分任务中，该方法的能效最高可比传统基于软件的处理方式高出 2000 倍，具体提升幅度因应用场景而异。该研究团队负责人、物理学高级讲师 Pavel Borisov 博士表示：“这一成果令人振奋，因为它让我们得以重新思考AI系统的构建方式。通过采用物理过程而非完全依赖软件，我们能大幅降低这类任务所需的能耗。”

芯片工作原理

现实中许多AI问题都需要处理随时间变化的数据，并识别模式以预测后续发展，例如气象系统、生物过程或传感器数据。这类任务通常会采用储备池计算技术：输入数据会被转换为更易于检测和预测模式的形式，而这一过程一般由软件完成。

拉夫堡大学研发的这款器件可直接在硬件上完成此类计算。它属于忆阻器，一种能够记录历史输入信息的电子元件，由纳米多孔氧化物制成。器件内部含有随机分布的纳米孔洞，可形成多条电学通路；这些通路如同神经网络的隐藏计算层，让材料本身就能承担一部分计算任务。在研究中，科研人员证实该器件能够处理时变数据，将其输出接入线性计算模型后，可用于识别模式并进行短期预测。

混沌系统、图像与逻辑测试

研究团队使用Lorenz-63 system对该系统进行了测试，这是与 “蝴蝶效应” 相关的经典混沌数学模型，微小变化即可导致结果截然不同。团队同时还测试了简单像素化数字图像识别、基础逻辑运算等任务。

测试结果显示，该模型能够利用经忆阻器处理的数据，成功对混沌洛伦兹系统的短期行为进行预测，并补全缺失数据；同时可准确识别像素化数字、完成基础逻辑运算，证明同一器件可支持多种不同任务。

能效影响与未来潜力

研究人员表示，该方案有望解决AI领域日益突出的难题。随着系统性能不断提升，其能耗也持续增长，引发了对长期可持续性的担忧。将计算任务从软件转移到硬件，有望在实现相近效果的同时大幅降低能耗。

Borisov 博士介绍：“人类大脑中神经元会形成数量庞大、看似随机的神经连接。受此启发，我们在氧化铌纳米薄膜上设计孔洞，构建出新型电子器件，在人工神经网络中实现了复杂且随机的物理连接。我们证实，利用这类器件对复杂时间序列的未来演变进行预测，能耗可比标准软件方案降低至多两千倍。”

研究团队指出，该系统目前仍处于早期阶段，测试仅针对相对简单的任务展开。后续还需对技术进行规模化拓展，提升网络复杂度，并评估其在噪声更多的真实场景数据下的表现。Borisov 博士表示：“下一步我们将提升神经网络复杂度，并使用包含更多信号噪声的输入数据开展测试。我们相信，这是一种可扩展、具备实用价值的技术路线，能够制造出小型、适配工业场景的AI应用器件，实现更优能效与离线运行能力。”

该论文作者之一、理论物理学专家 Sergey Saveliev 教授补充道：“这是基础物理助力现代计算的绝佳案例。通过利用物理系统的复杂性作为高维数据滤波器，避免了庞大的计算开销。”