近日，北京航空航天大学张海天教授团队，构建出一种新型人工神经元器件，其具有自适应氢离子梯度序构的特点。

图 | 张海天（来源：张海天）

这一构思颠覆了传统的器件制备范式，不再依赖于材料的均一性和对称性等固有思路，而是通过梯度序构的设计突破了此前的技术桎梏。

这种全新的人工神经元器件，通过利用氢离子微小尺寸所带来的超高敏感性，使其能够对外界信号做出超快、精准的响应。

（来源：Matter）

同时，由于材料晶格中存在非常丰富的氢离子亚稳态，使得器件在复杂变化的环境中，能够完全以自适应的方式来调整氢离子浓度梯度形态，从而呈现出灵活多变的响应状态，进而创造出前所未有的自适应性和智能性。

这种设计使得人工神经元能够完全不依靠人为干预，可以自主地处理动态环境中的关键信息，在复杂多变的环境中可以充分发挥其性能优势，从而为应对各种挑战提供支持。

同时，这种全新器件的诞生意味着人工神经元从此能够表现出与真实生物神经元媲美的可动态调整型激发能力，也标志着 AI 向生物级智能迈出了关键一步。

据介绍，传统的人工神经元往往一旦制备完成，硬件的相关参数也就随之确定，并且几乎无法改变，因此只能在不可调整的有限范围内，针对信号进行被动响应，以至于仅能起到类似简单开关的作用。

但是，本次研发的全新型自适应敏化神经元，能在没有任何人为干预的情况下，根据信号的不同强度、不同重复次数，来自主地判断信号的重要程度，从而以自适应的方式调整自身的概率激发函数，进而处理动态环境中原本无法识别的关键信息。

据介绍，这种全新的人工神经元通过利用器件中氢离子梯度序构最基本的物化特性，实现了自主判断信号的重要程度。

其还能以自适应的方式，来决定自身的响应能力，这说明它具备真正源自硬件本身的智能，而这正是传统神经元所无法做到的。

研究中，课题组分别从单器件级、电路级和阵列级，进行了自适应敏化特性的演示，均表现出优秀且稳定的效果。

该团队表示：“这标志着神经形态器件领域迎来了一次革命性突破，也证明本次人工神经元为生物级智能技术的发展带来了新可能。”

（来源：Matter）

此前神经形态计算存在的瓶颈

众所周知，AI 已能很好地处理一些预设范围内的复杂问题，计算效率也远远超过人脑。

但是，目前 AI 仍然存在一个无法逾越的重要瓶颈问题：即只能根据人类的预先设定，在固定范围之内按照预期进行工作。

然而，在真实的应用场景中，外界环境条件往往变化莫测，随时有可能发生剧烈改变。而且，很多陌生的环境条件根本无法预测，比如地震后的灾难救援或外星探索等。

如果 AI 只依靠人类提前设定的工作范围，就会导致其在面对这些复杂情况时，根本无能为力、甚至完全无效。

存在这一瓶颈的原因在于：当前 AI 始终缺乏一种真正的智能灵活性，无法像人脑那样自主地适应瞬息万变的环境。这种局限性大大限制了 AI 在面对现实世界复杂多变和充满不确定性情况时的应用范围。

而究其根本原因则是：现有 AI 还无法实现源自硬件本身的智能。在没有人为干预的情况下，缺乏完全依靠自身物理、化学特性来适应环境的能力。基于这一原因，该团队开展了本次研究。

通过表征实验，探明成果机制

研究中，课题组针对器件进行了实验表征，借此从不同角度和多个层次，来阐述构建氢离子梯度序构的重要意义。

期间，他们利用核反应分析实验，证明了氢离子梯度序构的存在。

据了解，在表征固体中氢离子的绝对含量上，这是目前最先进的方法，也是证明氢离子梯度序构的最直接证据。

随后，他们利用 X 射线吸收光谱，来表征镍元素的价态变化。

由于氢的掺杂，会导致镍元素价态出现轻微下降。而通过测量镍元素的价态改变，也说明神经元在不同工作模式下，氢离子存在着不同的梯度分布。

最后，通过导电原子力显微镜实验，课题组针对微区电阻进行了精确测试。通过此他们发现：在不同敏化态之下，氢离子能在梯度分布形态上做出自适应转变。

随着上述实验的层层递进，针对这种源自于硬件的智能能力，该团队也阐明了背后的物理基础。

（来源：Matter）

革新神经网络模型，为智能系统发展指明方向

研究中，在多种算法和多种神经网络上，课题组也验证了这种来自硬件本身的智能效果。

期间，他们利用这种硬件智能特性，建立了一款自适应边缘识别算法。

相比传统的边缘识别，这款自适应边缘识别算法能在完全无需人为调整的情况下，自主地适应各种复杂、各种剧烈变化的环境，在识别能力上远远超出传统算法。

比如，相比普通的边缘识别算法，在亮度正常的环境之下，本次的自适应边缘识别算法能捕捉到更多的细节、以及更准确的边缘结构。

当环境亮度发生急剧变化时，对于传统的边缘识别算法来说，这已经完全超出其预设的识别范围，会导致大量关键结构信息的丢失。

但是，本次的自适应边缘识别算法可以自主感知、并能适应环境的剧烈变化，从而准确地完成信息捕捉和信息处理。

另据悉，课题组还通过复杂环境下的车辆识别、建筑物识别、动物追踪等多个应用场景，证明了本次算法的识别能力和普适性。

这种源自硬件的智能能力，可以让器件针对外界信息进行主动处理和主动理解，极大提升了人工系统的自适应性和智能化水平。

在需要面对复杂、多变环境的应用领域，上述算法的推出为解决相关问题提供了新方案。

例如，在自动驾驶、环境监测、智能城市等领域，本次算法的智能化能力，能够极大丰富和提高 AI 系统的功能性和可靠性。

（来源：Matter）

另外，研究人员在第三代卷积脉冲神经网络的基础上，引入了这种硬件智能特性，借此发展出一种全新的自适应敏化卷积神经网络，并展现出远超现有脉冲神经网络的学习能力和自主适应能力。

与此同时，他们分别使用多个公开数据集、自建汽车类别数据集，在复杂环境下完成了图片分类、声音识别等任务。

借此充分证明：这种具备神经元自适应敏化能力的网络，能在多种复杂未知的环境之下，展现出前所未有的“主体-环境”区分能力。

通过此，可以打破传统神经网络模型对于固定数据分布范围的依赖。在数据分布发生剧变之时，提高任务的完成准确率，解决传统机器学习中数据漂移导致模型失效的问题。

通过本次研究，该团队证明这种来自硬件本身的智能，能够突破人为预设的数据边界，从而实现对于外界信息的自主处理。

（来源：Matter）

最终，相关论文以《基于自适应氢梯度的自敏神经形态装置》（Self-sensitizable neuromorphic device based on adaptive hydrogen gradient）为题发在 Matter（IF 18.9）。

图 | 相关论文（来源：Matter）

总的来说，这种基于硬件智能特性的脉冲神经网络，是 AI 技术演进中的一个关键里程碑之一。

这不仅革新了当前的神经网络模型，更为智能系统的发展指明了方向。

所打造的全新硬件智能，对于自我引导型智能系统的发展具有重要意义，也为发展具备自主意识的 AI 提供了新方向。

参考资料：

1.Tao Zhang, Mingjie Hu, Md Zesun Ahmed Mia, …, Pu Yu, Abhronil Sengupta, Hai-Tian Zhang.https://doi.org/10.1016/j.matt.2024.03.002