加利福尼亚大学圣地亚哥分校（UC San Diego）的Q-MEEN-C正在通过模拟量子材料中的神经元和突触来开发类似大脑的计算机。最近在非局部相互作用方面的发现代表着朝着更高效的人工智能硬件迈出的关键一步，这可能会彻底改变人工智能技术。

我们通常认为计算机比人类更高效。毕竟，计算机可以在瞬间解决复杂的数学方程并记起我们可能忘记的名字。然而，人类大脑能够迅速、准确地处理复杂的信息层次，并且几乎不需要能源。识别一张脸仅仅通过一次看到它或者区分山脉和海洋就是这种任务的例子。这些看似简单的人类功能对于计算机来说需要大量的处理和能量，即使如此，结果的准确性也可能有所不同。

追求类似大脑的计算

以最小能源需求创建类似大脑的计算机将彻底改变现代生活的几乎每个方面。由美国能源部资助的“量子材料用于能效高的神经形态计算”（Quantum Materials for Energy Efficient Neuromorphic Computing，简称Q-MEEN-C）是由加利福尼亚大学圣地亚哥分校领导的全国性研究联盟，一直在这项研究的前沿。

加利福尼亚大学圣地亚哥分校物理助理教授Alex Frañó是Q-MEEN-C的共同主任，他将中心的工作分为不同阶段。在第一阶段中，他与加利福尼亚大学名誉校长、物理学教授Robert Dynes以及罗格斯大学工程学教授Shriram Ramanathan密切合作。他们的团队成功地找到了在量子材料中创造或模拟单个大脑元素（如神经元或突触）属性的方法。

新的发现和里程碑

现在，在第二阶段，Q-MEEN-C的新研究在Nano Letters上发表，显示相邻电极之间传递的电刺激也可以影响非相邻电极。这个被称为非局部性的发现是迈向模拟大脑功能的新型设备（称为神经形态计算）的关键里程碑。

“在大脑中，人们理解这些非局部相互作用是正常的-它们经常发生并且所需的努力很小。”是论文的合著者之一Frañó说道。“这是大脑运作的重要部分，但是在合成材料中复制类似行为的情况很少见。”

像许多正在取得成果的研究项目一样，检验量子材料中的非局部性是否可能是在大流行期间提出的。实验室空间被关闭，所以团队在包含多个设备的阵列上运行计算，以模拟大脑中的多个神经元和突触。在进行这些测试时，他们发现非局部性在理论上是可能的。

从理论到实践

实验室重新开放后，他们进一步改进了这个想法，并邀请加利福尼亚大学圣地亚哥分校工程学院副教授Duygu Kuzum加入，她在电气和计算机工程方面的工作帮助他们将模拟转化为实际设备。

这涉及到使用一层镍酸盐薄膜-一种显示丰富电子属性的“量子材料”陶瓷，插入氢离子，然后在上方放置金属导体。将电信号发送到镍酸盐上，这个信号会使胶状的氢原子移动到一定的配置位置，当信号被移除后，新的配置将保持。

“这实质上就是记忆的样子，”Frañó说道。“设备会记住你干扰了材料。现在，你可以微调离子的位置，以创建更有导电性且电流流过更容易的路径。”

朝着简化设计

传统上，为了为像笔记本电脑这样的设备提供足够的电力，需要复杂的电路和持续连接点，这既低效又昂贵。Q-MEEN-C的设计概念要简单得多，因为实验中的非局部行为意味着电路中的所有导线不必相互连接。可以将其想象成一个蜘蛛网，其中一个部分的运动可以在整个网中感受到。

这类似于大脑学习的方式：不是按线性方式，而是以复杂的层次。每一次学习都会在大脑的多个区域创建连接，使我们能够区分不仅是树与狗，还有橡树与棕榈树或者金毛犬与贵宾犬。

模式识别的挑战

到目前为止，大脑执行的这些模式识别任务只能通过计算机软件模拟实现。像ChatGPT和Bard这样的人工智能程序使用复杂的算法来模拟思考和书写等基于大脑的活动。它们表现得非常出色。但是，如果没有相应先进的硬件支持，软件在某个时候将达到其极限。

接下来的阶段和总结

Frañó对于与软件当前正在发生的硬件革命感到兴奋，并且表明在合成材料中复制非局部行为的可能性将使科学家们更接近目标。下一步将涉及创建更复杂的阵列，包括更多电极和更精巧的配置。

“这在我们试图理解和模拟大脑功能的努力中是一次非常重要的前进步骤。”，也是共同作者之一的Dynes说道。“展示了具有非局部相互作用的系统将进一步引导我们朝着我们的大脑是如何思考的方向迈进。当然，我们的大脑要比这个复杂得多，但是能够学习的物理系统必须具有高度的互动性，而这是必要的第一步。现在我们可以考虑空间和时间上的更长程相干。”

“众所周知，为了让这项技术真正发展，我们需要找到改进硬件的方法-一种能够与软件一起完成任务的物理机器。”Frañó说道，“下一阶段将是创建具有学习功能的高效机器，其物理特性是进行学习的关键。这将为人工智能领域带来新的范式。”