我们的大脑可能不大，但它们蕴含大量的计算能力。出于这个原因，许多研究人员一直对创建模拟大脑神经信号处理的人工网络感兴趣。这些人工网络，称为脉冲神经网络 (SNN)，可用于创建智能机器人，或更好地了解大脑本身。

然而，大脑有 1000 亿个微小的神经元，每个神经元通过突触连接到 10,000 个其他神经元，并通过电脉冲的协调模式表示信息。在紧凑型设备上使用硬件模拟这些神经元——同时确保以节能的方式完成计算——已被证明具有挑战性。

在最近的一项研究中，印度的研究人员实现了超低能量的人工神经元，使 SNN 的排列更加紧凑。结果发表在 5 月 25 日的IEEE Transactions on Circuits and Systems I: Regular Papers上。

就像大脑中的神经元在给定的能量阈值处出现峰值一样，SNN 依赖于人工神经元网络，其中电流源为泄漏的电容器充电，直到达到阈值水平并且人工神经元触发，并且存储的电荷重置为零. 然而，许多现有的 SNN 需要大的晶体管电流来为其电容器充电，这会导致高功耗或人工神经元启动过快。

在他们的研究中，孟买印度理工学院教授 Udayan Ganguly及其同事创建了一种 SNN，该 SNN 依靠一种新的紧凑型电流源为电容器充电，称为带间隧道 (BTBT) 电流。

使用 BTBT，量子隧穿电流以超低电流为电容器充电，这意味着需要更少的能量。在这种情况下，量子隧穿意味着电流可以通过类似量子波的行为流过人工神经元硅中的禁隙。BTBT 方法还无需使用大型电容器来存储大量电流，从而为芯片上更小的电容器铺平了道路，从而节省了空间。当研究人员使用 45 纳米商用绝缘体上硅晶体管技术测试他们的 BTBT 神经元方法时，他们看到了大量的能源和空间节省。

“与在硬件尖峰神经网络中实现的最先进的 [人工] 神经元相比，我们在相似区域实现了 5,000 倍的每个尖峰能量降低，并且在相似的区域和每个尖峰的能量降低了 10 倍，”Ganguly 解释说.

然后，研究人员将他们的 SNN 应用于受大脑听觉皮层启发的语音识别模型。使用 20 个人工神经元进行初始输入编码和 36 个额外的人工神经元，该模型可以有效地识别口语，证明该方法在现实世界中的可行性。

值得注意的是，这种类型的技术可以很好地适用于一系列应用，包括语音活动检测、语音分类、运动模式识别、导航、生物医学信号、分类等。Ganguly 指出，虽然这些应用程序可以使用当前的服务器和超级计算机来完成，但 SNN 可以使这些应用程序与边缘设备一起使用，例如手机和物联网传感器——尤其是在能源限制紧张的情况下。

他说，虽然他的团队已经证明他们的 BTBT 方法很有用对于关键字检测等特定应用，他们有兴趣为各种应用和客户展示通用可重复使用的神经突触核心，并创建了一家名为 Numelo Tech 的初创公司来推动商业化。他说，他们的目标“是一个极低功耗的神经突触核心，并开发一种实时片上学习机制，这是自主生物启发神经网络的关键。这是圣杯。