该结果基于大阪大学基础工程研究生院研究生三宅良太郎和酒井明教授的研究成果。详细信息发表在学术期刊《ACS AppliedElectronic Materials》上。
https://pubs.acs.org/doi/10.1021/acsaelm.2c00161
近年来，在使用支持人工智能 (AI) 的神经网络进行学习时，计算所需的功耗有所增加，为了降低功耗，具有模仿大脑和神经系统的网络结构的硬件正在研发中。特别是，将忆阻器（一种非易失性存储电阻（寄存器）值的被动元件）应用于神经网络硬件中的人工突触元件的技术与由多个晶体管。预计会有所贡献。
在忆阻器中，与突触的重量（突触的重量是指神经元之间连接的强度）相对应的元件电阻是通过可逆地改变内部掺杂杂质分布来控制的，但在传统的忆阻器中，向各种电阻状态的转变是有限度的，人工突触也是如此。各种输入（刺激）信号作为一个元素给出，不可能根据输入获得各种输出（反应）信号。在活体的大脑和神经系统中，将多个输入信息组合并比较以进行处理和输出，但据说问题是要通过人工突触元件来实现这种功能。
因此，研究小组此次挑战4端子存储器人工突触元件的开发。并且，成功实现了生物在学习和行动时发挥作用的、与大脑、神经系统的信息传递和处理相关的联合性、调制性、相关性等高级功能。
这使得在一个二维平面内改变元素中的掺杂物杂质分布成为可能，而以前只能在一个维度上进行控制，并实现了一种机制，即元素的电阻状态可以根据输入信号的路径和大小进行可逆的转变。
此外，还可以实现各种功能，如，习惯化：在这种情况下，一个人在听到一个响亮的声音时最初会有惊讶的反应，但当这个声音被重复并发现是无害的时候就不再有反应；敏感化：一个人认为一个响亮的声音是危险的，并对较安静的声音变得敏感；以及条件反射：如巴甫洛夫的狗的例子。
这次开发的四端忆阻器人工突触元件是一种信息处理元件，具有推断许多输入信号的相关性并输出的功能，而不是仅仅通过许多输入信号的总和来确定输出，从而使传统神经网络的学习算法被一种基于忠实模仿大脑/神经系统结构的新算法所取代。它还有可能发展成为一种基于忠实模仿大脑和神经系统结构的新算法，并在人工智能硬件的工业领域创造一种新趋势。
原文：
https://news.mynavi.jp/techplus/article/20220506-2339313/2
