随着传统计算机芯片达到其物理极限，且人工智能的能耗需求比以往任何时候都高，密苏里大学的研究人员正在借鉴人脑的运作方式，重新思考计算机的工作机制。预计到2030年，人工智能数据中心的能耗将翻倍，这对可持续性提出了严峻挑战。解决方案可能在于神经形态计算——一种重新构想计算机硬件，使其更类似于生物神经网络而非传统芯片的方法。研究人员正在开发有机突触晶体管，能够在同一位置同时进行信息处理与存储（模仿生物突触的功能），从而消除传统计算机架构中因计算单元与存储单元分离而导致的“冯·诺依曼瓶颈”。关键发现如下：
-
界面（半导体与绝缘体之间的薄边界）是决定性能的关键因素，而不是材料本身。
-
即使表面看起来几乎相同的材料，其分子结构的微小差异也会显著影响突触晶体管的学习和适应能力。
-
该神经形态硬件专为以低功耗擅长模式识别和决策任务而设计。
传统计算机与神经形态计算架构
| 特征 | 传统冯·诺依曼架构 | 神经形态（类脑）架构 | 优势 |
|---|---|---|---|
| 处理与存储 | 分离（CPU与RAM分离）。通过总线（例如PCIe）传输数据。 | 整合（在突触中就地计算与存储）。 | 消除“冯·诺依曼瓶颈”（减少数据搬运的能耗和延迟）。 |
| 能耗 | 高（例如，数据中心， 超级计算机）。 | 极低（人脑：约20瓦）。 | 可持续人工智能（降低碳足迹，边缘设备电池寿命长）。 |
| 并行性 | 有限（使用多核加速，但仍受共享资源限制）。 | 高度并行（类似于生物神经网络，大规模并行）。 | 实时处理（传感器， 机器人）。 |
| 学习规则 | 反向传播（全局更新）。 | 脉冲时间依赖可塑性（局部学习规则）。 | 对噪声鲁棒，连续（在线）学习。 |
有机突触晶体管的设计与性能
| 组件 | 功能 | 材料/结构 | 重要性 |
|---|---|---|---|
| 半导体层 | 传输电荷载流子（空穴/电子）；实现突触可塑性（增强/抑制）。 | 吡啶三唑（PyTr）共聚物，具有不同的链接单元（硒取代的噻吩，苯并噻二唑，氟取代的噻吩）。 | 材料选择影响载流子迁移率和长期脉冲响应（突触模仿）。 |
| 介电层 | 在半导体和栅极之间提供绝缘；形成界面（关键）。 | 聚偏氟乙烯-六氟丙烯（PVDF-HFP）（铁电聚合物）。 | 界面质量控制陷阱密度（缺陷），这直接影响突触响应的保持和可靠性。 |
| 突触行为 | 长时程增强/长时程抑制（通过栅极脉冲）。 | 向栅电极施加长时程脉冲电压；测量漏极电流的变化。 | 模拟神经调节（例如，学习速率与遗忘）。 |
关键发现：结构与性能的关系
| PyTr共聚物链接单元 | 突触行为（长时程增强/长时程抑制） | 图像识别准确率（在多层感知器中模拟） | 界面陷阱密度（D_it） | 结论 |
|---|---|---|---|---|
| 苯并噻二唑（BT） | 优异（清晰的增强/抑制，良好的保持性）。 | 约80%。 | 较低（更清洁的界面）。 | 最佳的半导体-介电界面，可实现可靠突触。 |
| 氟取代的噻吩 | 无（无突触行为）。 | 不适用（随机）。 | 较高（缺陷界面）。 | 微小的结构变化可以完全破坏突触功能。 |
| 硒取代的噻吩 | 中等（较弱的记忆效应）。 | 约60-70%。 | 中等。 | 中等性能。 |
对可持续人工智能的影响
| 应用领域 | 神经形态硬件的优势 | 当前状态 |
|---|---|---|
| 边缘人工智能/物联网 | 在设备本地进行低功耗模式识别（语音，图像，传感器），无需云端。 | 概念验证（有机突触晶体管在标准多层感知器模拟中验证）。 |
| 自动驾驶车辆 | 节能的决策制定（识别行人，交通标志），实时响应。 | 尚需在实际神经形态芯片中实现。 |
| 医疗诊断（可穿戴设备） | 持续健康监测（心电图异常，癫痫发作检测），无需频繁充电。 | 研究阶段。 |
| 机器人技术 | 类脑控制（适应性学习，运动控制）。 | 尚需更复杂的硬件集成。 |
关键信息速览
| 项目 | 内容 |
|---|---|
| 目标 | 神经形态计算硬件以匹配大脑的能量效率（20瓦）。 |
| 技术 | 有机突触晶体管。 |
| 关键创新 | 利用半导体-介电界面实现突触可塑性。 |
| 性能指标（图像识别） | 约80% 准确率（MLP模拟）。 |
| 传统架构瓶颈 | 冯·诺依曼瓶颈（计算与存储分离）。 |
| 可持续性影响 | 大规模降低人工智能数据中心的能耗；边缘计算设备（智能手机，物联网）。 |
| 局限 | 有机材料的长期稳定性（与硅相比）；大规模集成的可扩展性仍须验证。 |
| 发表期刊 | ACS Applied Electronic Materials。 |
关键概念：神经形态计算（Neuromorphic computing） | 有机突触晶体管（Organic synaptic transistor） | 界面陷阱（Interface traps） | 长时程增强/长时程抑制（Long-term potentiation/Long-term depression） | 冯·诺依曼瓶颈（Von Neumann bottleneck） | 类脑计算（Brain-inspired computing）
相关领域：计算机硬件 | 材料科学 | 人工智能架构 | 可持续计算
——本文基于密苏里大学哥伦比亚分校在 ACS Applied Electronic Materials 发表的研究编译，为硬件工程师、材料科学家及人工智能从业者提供受大脑启发的有机突触晶体管的证据，这些晶体管可实现可持续人工智能，并通过半导体-介电界面的分子设计实现图像识别。