哈佛、三星联合发文提出类脑芯片：“复制粘贴”大脑连接图谱

人类的大脑有着不可比拟的优点，它功耗低、学习很快、环境适应能力强，更重要的是具有自主和认知。这些优点的背后在于，人脑拥有至少1000亿个神经元，数量约等于银河系中的恒星数。这些神经元又构成10^15个神经连接，将复杂相连的神经首尾相接，总长度超过18万公里。 

对大脑连接图谱的了解是对其进行逆向工程的关键。而始于20世纪80年代的神经形态工程，其目的就是想在一个硅芯片上模仿这样的神经网络结构和功能。

截至目前，科学家们对大脑图谱仍掌握有限。因此，神经形态工程的目标也已经退而求其次，包括设计一个“受大脑启发”的芯片，而不是严格地模仿它。近日，哈佛大学的研究人员和韩国三星电子的研发团队在国际学术期刊《自然•电子学》（Nature Electronics）上联合发表了一篇行业展望（Perspective）文章，提出了一种模拟人脑芯片的愿景，将大脑神经元连接图“复制、粘贴”到高密度三维存储网络上的可能。

该文章题为《基于复制和粘贴大脑的神经形态电子》（Neuromorphic electronics based on copying and pasting the brain）。该文章的作者为哈佛大学约翰·保尔森工程与应用科学学院教授、三星电子高级技术研究院研究员Donhee Ham，哈佛大学物理系教授Hongkun Park ，三星SDS首席执行官Sungwoo Hwang，三星电子副会长兼首席执行官Kinam Kim，四人也均为文章的共同通讯作者。

左起：Donhee Ham、Hongkun Park、Sungwoo Hwang、Kinam Kim。三星电子官网

在这篇文章中，作者们探索了这些目前神经形态工程方法的可能性和局限性，然后为神经形态电子学提供了一个愿景，通过先进的神经科学工具和最先进的记忆技术的结合，使该领域回到其最初的目标——逆向工程大脑。

他们指出，目前的神经形态电子学一般分为两类，即人工神经网络(ANNs)驱动和大脑自然神经网络(NNN)驱动。人工神经网络是机器学习的框架，已经产生了一系列强大的人工智能(AI)应用。人工神经网络需要精确的计算，因此最好采用数字方式实现。 

自然神经网络则是自然智能的基础，由电化学反应提供动力。作者们指出，与人工神经网络相比，自然神经网络擅长不同的任务：它们可以从很少或条件很差的数据中轻松学习，可以适应环境，具有自主和认知能力。“这些差异表明，我们至今仍知之甚少的自然神经网络的组织原则与人工神经网络有很大的不同。”

在当前技术限制下，作者们认为，构建一个具有独特计算能力，以及最终具有自主和认知的自然神经网络电路从根本上受到了挑战，而提供类似大脑的智能的硅芯片仍然是一个遥远的前景。

作者们提出的愿景的精髓可以总结为“复制”和“粘贴”两个词。他们提出，利用Donhee Ham和Hongkun Park团队开发的CMOS纳米电极阵列（CMOS nanoelectrode array，CNEA）“复制”大脑神经元连接图，并将其“粘贴”到三星电子的高密度三维固态存储网络上。

上述CMOS纳米电极阵列由哈佛大学研究团队此前完成，去年，该项研究发表于《自然·生物医学工程》。研究团队在半导体芯片上加工出了4096个记录和刺激电极的CMOS纳米电极阵列，芯片上还有4096个电子通道，可以同时记录数千个神经元的突触连接。 

研究团队称，该纳米电极阵列能有效地进入大量神经元，高灵敏度地记录神经元电信号。这些大量并行的细胞内信号记录可以为神经元连接图提供信息。因此，可以从这些记录中提取或“复制”神经元连接图谱。

“复制”完成后，研究团队设想，可以将神经元连接图“粘贴”到非易失性存储器（NVM）中，比如我们日常生活中使用的固态硬盘(SSD)的闪存，或“新”存储器，如电阻随机存取存储器(RRAM)等。作者们认为，这些存储芯片均可用作存储网络载体。 

更进一步的是，作者们在这篇论文中还提出了一种快速将神经元连接图“粘贴”到存储网络上的策略。他们提出，由特殊设计的非易失性存储器组成的网络，在细胞内记录信号的直接驱动下，可以学习和表达神经元连接图。这是一种直接将大脑神经元连接图下载到内存芯片上的方案。 

作者们同时指出，人类大脑估计至少有1000亿个神经元，而它们形成的突触连接更是神经元数量的1000倍以上。因此，最终用于“复制”的神经形态芯片，将具备存储100万亿个虚拟神经元和突触数据的容量。 

三星电子方面称，三星电子主导的“3D集成技术”开创了存储器产业的新时代，可以使得在一个芯片上集成如此多的存储芯片成为可能。三星电子计划，利用在半导体制造领域的领先经验，继续进行神经工学研究，以扩大在下一代人工智能半导体领域的领先地位。 

Donhee Ham表示，“我们提出的愿景非常宏大，但朝着这样一个宏伟的目标努力，我们将推动机器智能、神经科学和半导体技术的边界。”