随着科学家不断突破机器学习的界限，训练日益复杂的神经网络模型所需的时间、精力和金钱也在飞速增长。一个称为模拟深度学习的人工智能新领域也许可以以更少的能源达成更快的计算。

可编程电阻器是模拟深度学习的关键组成部分，就像晶体管是数字处理器的核心元件一样。通过在复杂层中重复可编程电阻器阵列，研究人员可以创建一个模拟人工「神经元」和「突触」网络，就像数字神经网络一样执行计算。然后可以训练该网络以实现复杂的 AI 任务，例如图像识别和自然语言处理。

用于模拟深度学习的纳米级离子可编程电阻器比生物细胞小 1000 倍，但目前尚不清楚它们相对于神经元和突触能快多少。离子传输和电荷转移反应速率的缩放分析指向非线性状态下的操作，其中极端电场存在于固体电解质及其界面中。

在这项工作中，麻省理工学院的研究团队生成了在极端电场下具有非常理想的特性的硅兼容纳米级质子可编程电阻器。这种操作方式能够在室温下以节能的方式在纳秒内控制质子的穿梭和嵌入。这些器件表现出对称、线性和可逆的调制特性，具有许多覆盖 20 倍动态范围的电导状态。因此，全固态人工突触的时空能量性能可以大大超过其生物学对应物。

「一旦你有了模拟处理器，你将不再训练其他人都在研究的网络。你将训练具有前所未有的复杂性的网络，这是其他人无法承受的，因此大大优于所有网络。换句话说，这不是一辆更快的汽车，而是一艘宇宙飞船。」论文的第一作者 Murat Onen 说道。

该研究以「Nanosecond protonic programmable resistors for analog deep learning」为题，于 2022 年 7 月 28 日发布在《Science》。

论文链接：https://www.science.org/doi/10.1126/science.abp8064