模仿人脑的神经形态计算系统技术必须克服现有冯·诺依曼计算方法的特点，即功耗过大的限制。为了实现使用大脑信息传输方法的半导体装置，需要一种能够表达突触连接强度的高性能模拟人工突触装置。当神经元产生峰值信号时，这种方法利用神经元之间传输的信号。
然而，由于传统的变电阻记忆装置被广泛用作人工突触，当灯丝随着不同的电阻生长时，电场增加，造成反馈现象，导致灯丝快速生长。因此，在保持与灯丝类型相关的模拟(渐进)电阻变化的同时实现塑性是具有挑战性的。
韩国科学技术研究院(kaist)神经形态工程中心郑延周博士团队解决了记忆电阻器和神经形态半导体器件的长期障碍——模拟突触特性、可塑性和信息保存的局限性。他宣布开发了一种人工突触半导体装置，能够进行高度可靠的神经形态计算。
KIST研究小组对活性电极离子的氧化还原特性进行了微调，以解决阻碍现有神经形态半导体器件性能的小突触可塑性问题。此外，还将过渡金属掺杂到突触装置中，控制活性电极离子的还原概率。工程师们发现，离子的高还原概率是开发高性能人工突触装置的关键变量。
利用人工突触装置的视觉信息处理技术实例
通过提高设备性能，误差率降低了60%以上。资料来源:韩国科学技术研究院(KIST)
因此，研究小组在现有的人工突触装置中引入了离子还原概率高的钛过渡金属。这维持了突触的模拟特性和生物大脑突触上的器件可塑性，大约是高电阻和低电阻之间差异的5倍。此外，他们开发了一种高性能的神经形态半导体，其效率大约是它的50倍。
此外，由于掺杂钛过渡金属表现出高的合金形成反应，信息保留比现有人工突触装置提高了63倍。此外，大脑功能，包括长期增强和长期抑郁，可以更精确地模拟。
该团队使用开发的人工突触装置实现了人工神经网络学习模式，并尝试了人工智能图像识别学习。与现有人工突触装置相比，错误率降低了60%以上;此外，手写图像模式(MNIST)识别准确率提高了69%以上。研究小组通过对人工突触装置的改进，确认了高性能神经形态计算系统的可行性。
(a)太阳能收集器、(b)膜蒸馏系统照片。资料来源:韩国科学技术研究院(KIST)
KIST的郑博士表示:“通过此次研究，现有的突触模仿技术最大的技术障碍——突触的活动范围和信息保存能力得到了极大的改善。在所研制的人工突触装置中，该装置表达突触各种连接强度的模拟操作区得到了最大化，从而提高了基于大脑模拟的人工智能计算的性能。
“在后续研究中，我们将以开发的人工突触装置为基础，制造神经形态半导体芯片，实现高性能人工智能系统，从而进一步增强在国内系统和人工智能半导体领域的竞争力。”
这项研究发表在《自然通讯》杂志上。
