導讀
近日，瑞典林雪平大學的科學家們開發出一種基于有機材料的新型晶體管。這種晶體管可以學習，并具備短期與長期的記憶功能。這項研究朝著創造模仿人類大腦的技術邁出了重要一步。
背景
如今，后摩爾時代已經悄然來臨。芯片上的晶體管尺寸縮小與數量增加的速度正不斷放緩，傳統晶體管正在逼近物理極限，傳統計算機正遭遇發展瓶頸。
為此，各國科學家正在努力探索各種新方法（例如自旋電子學）、新材料（例如二維材料、鈣鈦礦）、新架構（例如神經形態計算）以打造性能更佳、能耗更低的新一代計算機。
神經形態計算，也稱為類腦計算，旨在模仿大腦處理、加工信息的過程，將存儲元件與計算元件整合到同一芯片中。
神經形態計算是一種新型計算架構，突破了傳統的馮·諾依曼體系結構帶來的瓶頸：數據需要在CPU和內存之間來回移動，而CPU運算速度較快，內存訪問速度較慢，即所謂的“內存墻”問題。
神經形態計算是受人腦啟發而設計出來的。人腦處于全方位的互聯狀態，其邏輯功能與記憶功能密切關聯。據科學家稱，人腦的存儲密度與多樣性均是當代計算機的數十億倍，目前最發達的超級計算機也無法與人腦相提并論。
人腦主要由神經元網絡和突觸組成，可并行處理和存儲大量數據，且能耗極低。突觸在人腦中扮演著非常關鍵的角色。大腦執行計算時，神經元之間會傳遞電化學信號。這些信號的傳輸受到一個關鍵連接結構控制，它就是突觸。
（圖片來源：NIST）
突觸的感受能力，決定了突觸后神經元是否會對于信號作出響應。如果信號不夠強，突觸后神經細胞將不會作出響應。發送的信號越多，突觸的感受力就越強，這就使得突觸具備了學習能力。
（圖片來源：NIST）
為了實現類似人腦的計算能力，科學家們一直在模仿突觸，構造具有學習功能的器件，其中最主要的就是憶阻器，此外還有超導人工突觸等方案。
憶阻器芯片 (圖片來源：南安普敦大學)
超導人工突觸結構（圖片來源：NIST）
創新
今天，筆者要為大家介紹一種模仿突觸、具有學習能力的新器件。
近日，瑞典林雪平大學的科學家們開發出一種基于有機材料的新型晶體管。這種晶體管可以學習，并具備短期與長期的記憶功能。這項研究朝著創造模仿人類大腦的技術邁出了重要一步。
（圖片來源：Thor Balkhed）
迄今為止，大腦的獨特之處在于能在之前沒有連接的地方創造連接。在一篇發表于《先進科學（Advanced Science）》期刊上的論文中，瑞典林雪平大學的研究人員們描述了一種可以在輸入與輸出之間創造新連接的晶體管。他們將晶體管融入到電子電路中，這種電子電路能將特定的刺激與輸出信號相聯系，正如狗的學習能力一樣，狗聽到寵物食具準備好的聲音，就知道食物正在途中。
技術
普通晶體管的工作機制就像一個閥，它可以根據輸入信號的特性，放大或者抑制輸出信號。在研究人員們開發的有機電化學晶體管中，晶體管中的溝道由電聚合的導電聚合物組成。溝道可以形成、生長、縮小，或者在運行期間完全消除。它也可以在接收訓練之后，對特定的刺激（特定的輸入信號）作出反應。這樣一來，晶體管溝道就會變得更加導電，輸出信號也更大。
北雪平校區有機電子實驗室有機納米電子學首席研究員 Simone Fabiano 表示：“這正是首次在神經形態裝置中，展示新型電子元件實時的形成過程。”
通過增加晶體管溝道中聚合反應的程度，溝道不斷生長，從而增加了傳導信號的聚合物鏈的數量。要不然，材料可能會被過度氧化（施加高電壓），并且溝道會變得沒有活性。導電性的暫時改變也能通過“摻雜”或“去摻雜”材料來實現。
晶體管溝道并不是由有機電子中最常采用的聚合物（PEDOT）來構造，而是由這篇論文作者之一、有機電子實驗室的 Roger Gabrielsson 采用一個新開發的單體（ETE-S）構造出來。ETE-S 具有幾個非常適合這項應用的特性：它形成了足夠長的聚合物鏈；它是溶于水的（而聚合物形式不是）；它通過中等程度的摻雜制造出聚合物。聚合物 PETE-S 是通過本征負電荷摻雜的形式（用于平衡正電荷載流子）制造，它屬于p型摻雜。
價值
論文作者之一、有機納米電子學博士后 Jennifer Gerasimov 表示：“我們展示了，我們可以對晶體管處理信息的方式引入短期和長期的改變，這對于模仿大腦細胞相互通信的方式來說至關重要。”
通過改變輸入信號，晶體管響應的強度可以在更廣范圍上調制，并且在之前不存在連接的地方創建連接。它賦予了晶體管可以媲美突觸或者兩個大腦細胞之間通信接口。
這也標志著朝著采用有機電子器件的機器學習邁出了一大步。基于軟件的人工神經網絡，目前在機器學習中用于實現所謂的“深度學習”。軟件需要在巨量節點之間傳輸信號以模仿單個突觸，這具有可觀的計算功率，因此會消耗可觀的能量。
Jennifer Gerasimov 表示：“我們開發了一個采用電子元件實現同樣功能的硬件。我們的有機電化學晶體管因此可以攜帶成千上萬個普通的集體管，這些晶體管的能耗接近人腦在兩個細胞之間傳輸信號所消耗的能量。”
關鍵字
晶體管、突觸、神經形態計算、機器學習、有機電子
參考資料
【1】https://liu.se/en/news-item/laraktig-transistor-harmar-hjarnan
【2】Jennifer Y. Gerasimov, Roger Gabrielsson, Robert Forchheimer, Eleni Stavrinidou, Daniel T. Simon, Magnus Berggren, Simone Fabiano. An Evolvable Organic Electrochemical Transistor for Neuromorphic Applications. Advanced Science, 2019; 1801339 DOI: 10.1002/advs.201801339
