仿生机械大脑

　　大阪大学和北海道大学的研究人员开发了一种连接神经形态湿件神经元的新方法。湿件包括以三维结构生长的导电聚合物线，通过对浸没在前驱体溶液中的电极施加方波电压来完成。电压可以改变导线的导电性，从而训练网络。该网络能够进行无监督的Hebbian学习和基于尖峰的学习。

　　

神经网络在计算机中创造人工智能的发展最初是受到生物系统工作原理的启发。然而，这些“神经形态”网络运行在看起来一点也不像生物大脑的硬件上，这限制了性能。现在，大阪大学和北海道大学的研究人员计划通过创造神经形态的“湿件”来改变这种状况。

虽然神经网络模型在图像生成和癌症诊断等应用中取得了显著的成功，但它们仍然远远落后于人类大脑的一般处理能力。在某种程度上，这是因为它们是在使用传统计算机硬件的软件中实现的，这些硬件没有针对这些模型通常需要的数百万个参数和连接进行优化。

基于记忆装置的神经形态软件可以解决这个问题。忆阻器件是其电阻由其施加的电压和电流的历史设定的器件。在这种方法中，电聚合是用导电聚合物制成的导线将浸泡在前驱体溶液中的电极连接起来。然后使用小电压脉冲调谐每根导线的电阻，从而产生忆阻装置。

“使用1D或2D结构已经显示出创建快速节能网络的潜力，”资深作者Megumi Akai-Kasaya说。“我们的目标是将这种方法扩展到3D网络的构建中。”

研究人员能够从一种叫做“PEDOT:PSS”的普通聚合物混合物中培育出聚合物导线，这种聚合物具有高导电性、透明、柔韧性和稳定性。首先将三维结构的上下电极浸入前驱体溶液中。然后通过在电极上施加方波电压，在选定的电极之间生长PEDOT:PSS导线，模拟未成熟大脑中通过轴突引导形成突触连接。

一旦金属丝形成，金属丝的特性，尤其是电导率，就可以通过施加在一个电极上的小电压脉冲来控制，从而改变金属丝周围薄膜的电性能。

“这个过程是连续的和可逆的，”主要作者Naruki Hagiwara解释说，“这个特征使网络能够被训练，就像基于软件的神经网络一样。”

这个合成的网络被用来演示无监督的Hebbian学习(即，当突触经常一起激活时，它们的共享连接会随着时间的推移而加强)。更重要的是，研究人员能够精确地控制导线的电导值，这样网络就可以完成它的任务。神经网络的另一种方法——基于峰值的学习，更接近于模仿生物神经网络的过程，也通过控制导线的直径和导电性得到了证明。

接下来，通过制造具有更多电极的芯片，并使用微流体通道为每个电极提供前体溶液，研究人员希望构建一个更大、更强大的网络。总的来说，本研究确定的方法是朝着实现神经形态网络软件和缩小人类与计算机认知能力之间差距迈出的一大步。

Fabrication and Training of 3D Conductive Polymer Networks for Neuromorphic Wetware