我们超级高效的大脑运行在需要的能量是单一的灯泡。
从AlphaGo历史性的战胜世界冠军Lee Sedol到 DeepStack的全面战胜职业扑克选手，赢咖4是势不可挡。
部分动力来自于人工神经网络的突破，它松散地模仿人脑的多层结构。但这是相似的结束。当大脑可以运转能量只够功率的灯泡，alphago神经网络运行在高达1920的CPU和280的GPU，与比其对应的生物学watts-50000大约一百万倍的总功率消耗。
外推这些数字，很容易看出，人造神经网络有一个严重的问题 - 即使科学家设计强大的智能机器，他们可能需要太多的能量来实现日常使用。
硬件结构部分归咎于。我们的计算机与其独立的处理器和存储单元根本不是适当地连接，以支持大脑优雅地执行的大规模并行，高能效计算的类型。
最近，斯坦福大学和桑迪亚国家实验室的一个团队采用了不同的方法来处理大脑般的计算系统。
他们不是使用软件来模拟神经网络，而是制作出一种像大脑的突触那样的设备 - 处理和存储信息的神经元之间的连接 - 彻底改变了我们传统的计算硬件理念。
被称为“电化学神经形态有机器件（ENODe）”的人造突触可能有一天可用于创建以最小能量需求执行脑样计算的芯片。
由与大脑兼容的灵活的有机材料制成，甚至可以导致更好的脑机接口，为赢咖4未来铺平道路。该团队在Nature Materials发表了他们的发现。
一个材料工程师Alberto Salleo博士说：“这是一个全新的设备系列，因为这种类型的架构以前没有被显示出来。对于许多关键指标，它的性能要优于无机物之前的功能。”在斯坦福大学
生物突触
大脑的计算架构与古典计算机有着根本的不同。大脑使用突触来执行这两个功能，而不是单独的处理和存储单元。在蝙蝠之外，这种安排更好：它节省了将数据从处理器往返传送到内存模块所需的能量。
突触是两个神经元的突起相遇的结构。它看起来有点像一个电池单元，有两个膜和间隙。当大脑学习时，电流会跳下一个神经元分支直到达到突触。在那里，它们与来自其他分支的所有脉冲混合在一起，并且总结成单个信号。
当足够强壮时，电触发神经元释放向相邻神经元突触方向漂移的化学物质，反过来又导致神经元发射。
这是关键的一点：每次发生这种情况，突触被稍微修改为不同的状态，因为它随后需要更少的（或更多）能量来激活下游神经元。事实上，神经科学家认为不同的导电状态是如何突触存储信息。
人工突触
新设备ENODe大量借用自然设计。
像生物突触一样，ENODe由两层由柔性有机材料制成的薄膜组成，由薄的间隙分开，该间隙包含允许质子通过的电解质。整个设备由主开关控制：打开时，设备处于“只读”模式;关闭时，设备“可写入”并准备存储信息。
为了输入数据，研究人员用小电压对顶层薄膜进行了切割，使其释放电子。为了中和其电荷，该膜然后从其底部邻近的膜“窃取”氢离子。这种氧化还原反应会改变器件的氧化水平，从而改变其电导率。
就像生物突触一样，初始的电脉冲越强或越长，氢离子越多越好，这对应于较大的电导率。可扩展性是非常直观的：通过培训，研究人员能够预测达到特定状态所需电压的不确定度的百分之一。
总而言之，该团队编制了500个不同的导电状态，每一个可用于计算 - 与两状态（0和1）通用计算机相比，是一个聚宝盆，并且完美支持基于神经元的计算模型，如人造神经网络。
主开关设计还帮助解决了前几代脑晶片困扰的麻烦问题：电压 - 时间困境，表明您无法同时获得状态之间的低能量切换和状态下的长时间稳定性。
这是因为如果离子在切换期间只需要一点电压移动（低能量），那么它们也可以在开关之后容易地散开，这意味着芯片可以随机变化.J.Joshua Yang博士和Qiangfei Xia博士解释说马萨诸塞大学写了关于这项研究的意见书，但没有直接参与。
ENODe使用“只读”模式来规避问题。这里，主开关翻开，切断外部电流到设备，防止层中的质子变化。
“该设备的微型版本可以在生物突触的能量消耗下将能源消耗降低几百万。
通过将保持设备状态的机制与控制切换状态的机制解耦，团队能够使用大约0.5毫伏的开关电压来达到相邻状态。为了比较，这是一个最先进的计算机将数据从处理器移动到存储单元所需能量的十分之一。
一旦锁定到一个状态，该设备可以保持25小时，变化为0.04％ - 这是一个“醒目的功能”，使ENOD在可靠性方面远远高于其他类似技术。
研究作者A Alec Talin博士解释说，“就像电池一样，一旦充电，它将保持充电”，而不需要额外的能量输入。
ENODE的能源需求虽然远低于目前的设备，但仍然是单次突击的估计数千倍。该团队正在努力使设备小型化，这可以在生物突触的能量消耗下大幅度地将能源消耗降低几百万。
神经电路
为了显示ENOD实际上模仿突触，该团队使用生物相容塑料将其设计带入生活，并通过一系列测试。
首先，他们将ENODe整合到一个电路中，并展示了其学习教科书实验的能力：巴甫洛维犬条件，其中一个刺激与反复曝光后的另一个刺激逐渐相关联，就像将一个钟的声音连接成一个不自觉的令人垂涎的响应。
接下来，团队实施了三层网络，并对其进行了训练，以识别手写数字 - 研究人员经常运行人工神经网络来测试其性能的一种基准测试任务。
因为建立一个物理神经网络是技术上具有挑战性的，对于这个测试，团队使用神经元的模型来模拟一个。
作者报道，基于ENODE的神经网络的准确率在93％至97％之间，远远高于以前的脑样芯片所获得的准确度。
除了计算能力外，ENODe还特别适合与大脑突触。 该装置由有机材料制成，虽然不存在于脑组织中，但是是生物相容的并且经常用作支架以生长细胞。 该材料也是柔性的，足够弯曲以便拥抱不规则的表面，并且可以允许研究人员将多个ENOD包装成高密度的微小体积。
然后，该设备本身具有500个电导状态，“自然与模拟世界接口，不需要传统的耗电量和耗时的模数转换器”，杨和谢说。
Talin说：“这样就开启了可以通过人造突触进行计算的活体生物细胞接口的可能性。 “我们认为，将来可能会对创造更好的脑机接口带来巨大的影响。”
