神经形态运算（Neuromorphic Computing）需要在像是神经整合和突触（Synapse）等人脑元素（例如）的启发下建立体系架构。这些运算架构被证明能激发出许多极具发展前景与优势的应用，因为它们可以同时兼具储存和学习的功能。
当前大多数的神经形态运算架构都是人为重建突触的可塑性（亦即很容易随着时间的推移而塑造的能力），突触是神经细胞之间的连接点，能够在大脑各区域进行脉冲传播。然而，神经形态运算方法的另一个潜在有价值的灵感启发来源是神经单位膜（Neuronal Membrane）的可塑性，它是保护神经元（Neuron）功能的屏障。
找到能复制神经单位膜特性的合适系统，让神经芯片产生独特非线性输出动态
考虑到这一点，柏林工业大学（Technische Universität，TU）德累斯顿和霍姆赫兹中心（Dresden and Hemholtz Center）研究人员最近设计了一种能模仿神经单元膜既有可塑性的神经晶体管（Neurotransistor）。关于这颗新型神经晶体管的论文已发表在《自然─电子学》（Nature Electronics）期刊上，该晶体管是透过在硅奈米线（Silicon Nanowire）上涂上离子掺杂型溶胶－凝胶硅酸盐薄膜制成的。
进行这项研究之研究人员之一的 Larysa Baraban 表示：“做为一个在生物和化学电子感测器方面具有主要专业知识的团队，我们试图找到一种能利用生物感测器原理来复制神经单位膜特性的合适系统。” 由 Eunhye Baek、Baraban 和他们同事共同设计的神经晶体管，利用了基于硅奈米线晶体管之电子式电压生物感测器（Potentiometric Biosensor）的特性。这类感测器可以将离子或分子的电荷转换成电流。研究人员将能电子感应到离子电荷（Ionic Charge）的场效晶体管（Field Effect Transistor，FET）与溶胶－凝胶薄膜结合，进而实现离子电荷的重新分配。
“我们透过像是电子束（Electron Beam）与紫外光刻（UV Lithography）等 CMOS 制程，在 8 英寸绝缘层上覆硅（Silicon-On-Insulator，SOI）晶圆上制备奈米线晶体管，”参与这项研究的另一位研究员 Gianaurelio Cuniberti 表示：“然后我们在奈米线元件上涂上离子掺杂型硅酸盐薄膜，这是由使用硅基前驱物（Silicate-Based Precursor）与金属离子的溶胶─凝胶法合成的。”
由 Baek、Baraban、Cuniberti 和他们同事共同提出的新型神经晶体管可以充当短期内存，这是因为溶胶─凝胶薄膜限制了内部离子的移动，并在短时间内保持一定的离子状态。由于这种独特性，溶胶－凝胶薄膜允许神经晶体管产生独特的非线性（亦即 Sigmoid 函数）输出动态，它由历史输入讯号来控制。
这项研究最有意义的成就是，利用神经元可塑性获得动态学习能力
由研究人员开发的这种元件模拟了神经元细胞的功能和既有可塑性。事实上，在神经元中，膜电位（Membrane Potential）会引发离子电流出现 S 型变化。这种非线性动态特性也赋与它进阶的学习能力，使它成为机器学习应用的理想选择，例如，学习如何在模式分类（Pattern-Classification）任务中表现良好。
“我们这项研究最有意义的成就就在于，我们利用神经元可塑性而获得神经晶体管网络的动态学习能力，”这项研究主要研究人员之一的 Eunhye Baek 指出：“许多神经形态元件（主要是 memristor 忆阻器）由于它们的随机型（如随机电流阈值），所以很难控制输出动态。”
研究人员采用的设计策略是允许他们的神经晶体管使用其神经细胞中定量的掺杂离子来获得稳定的输出动态。Baraban、Cuniberti、Baek 和他们同事最近研究的目标是，模拟神经元的非线性运算，他们的神经晶体管可用于执行元件级分类，而无需进行资料的后处理。这使得更强大的神经形态运算能以更低的功耗实现，反观当前运行在神经形态元件上的现有模式分类模型，多半需要额外的软件运算。
Baraban 表示：“最终，我们证明了人们可以从传统的场效晶体管，甚至整颗芯片，透过对溶胶－凝胶薄膜的选择性修改，将其转变成具有全新功能的神经晶体管（或神经芯片）。” 这项工作证实了神经形态电子零组件在单一元件中实现记忆和学习功能的巨大潜力。透过模拟神经单位膜的可塑性，他们设计神经晶体管的新策略让具备进阶学习能力之新电子元件的制造成为可能。
“我们现在正在清华大学透过混合忆阻器开发有如视网膜般的人工视觉感官神经元，来进行进一步的大脑启发式运算研究，”Baek 指出：“在传入的讯号到达大脑之前，感觉神经元已经开始记忆和学习，以便对讯号进行预处理。我们神经晶体管背后的动态学习原理将会应用在处理时变（Time-Varying）光讯号上。”
- Silicon nanowire transistors with both learning and memory functions
（首图来源：TU）
