声波赋能类脑芯片：声学突触超越传统电子AI硬件

通过模拟大脑的运作方式，神经形态计算能够比传统电子AI芯片大幅降低能耗。然而，即便是当前最先进的神经形态设备，其复杂程度依然相当有限，所实现的连接数量仅占人类神经元连接数的极小一部分。

一项最新研究表明，借助声波技术，神经形态设备不仅能更好地模拟生物神经元，还能以比电子同类产品更快的速度、更低的能耗运行。

美国亚利桑那大学图森分校材料科学与工程及电气与计算机工程助理教授严晓东表示："这将使未来的神经形态硬件更加紧凑、并行能力更强，在模式识别、感知处理和数据分析等需要整合多维特征的任务上也更为高效。"

正如大脑通过突触——即神经元之间的连接——同时完成计算与数据存储一样，神经形态设备通常也将这两种操作合二为一。这样做可以减少传统芯片在处理器与内存之间传输数据所消耗的能量与时间。

人类每个神经元可能拥有数千个突触与其他细胞相连；小脑中一种名为浦肯野细胞的神经元甚至可能多达10万个突触。严晓东指出，这种极高的连接密度使每个人类神经元都能"整合不同的信息片段，进行比较，并根据上下文情境做出响应"。

相比之下，大多数传统神经形态设备本质上只是"单个人工突触"。若要构建一个拥有与人类神经元同等突触数量的人工神经元，就需要将大量独立器件相互连接。严晓东表示："这会增加布线复杂度、能耗以及硬件设计难度。"

声学突触的技术突破

近年来，科学家开发出了一类声学设备，其中声波可通过波的相位编码多个数值。这些相位比特（phi-bits）不仅能支持类量子逻辑门运算，还能实现并行计算。传统比特每个仅代表0或1两种状态，且每个比特需要独立的物理元件；而phi-bits则可在同一空间内同时表示多个变量。

需要说明的是，phi-bits的运算并非量子计算，而是经典系统对量子计算机的模拟类比。

严晓东与团队目前已开发出一种包含多个phi-bits的声学突触，能够以相对简单的方式实现多任务并行计算，且功耗低于传统电子器件。

新墨西哥州阿尔伯克基市桑迪亚国家实验室计算研究中心研究员布拉德·艾莫内评价道："将新物理原理引入以更高效地执行复杂计算，这一思路始终令人着迷。"艾莫内并未参与本次研究，但他表示："这为未来的探索打开了新的可能。"

实验装置与测试结果

研究团队研制的新型设备由三根铝棒组成，每根长约60厘米、宽约1.25厘米，通过环氧胶相互连接。研究人员用薄层蜂蜜将超声波发射器和传感器粘附在铝棒两端。

严晓东及其同事利用声波对一批数据进行编码，内容包括图像及对应的标签。超声波发射器将声波传入铝棒，各棒之间通过环氧胶发生声学耦合，设备中的超声波传感器随后检测由此产生的声学信号。

研究人员发现，他们可以调制phi-bits的相位，从而模拟生物突触随时间增强或减弱的特性——这正是记忆留存或消退的部分原因所在。这一特性被称为突触可塑性，使研究团队得以训练声学突触执行多种任务。

实验中，科研人员测试了一种与三个数字神经元耦合的拓扑声学突触。（拓扑声学是一个新兴领域，通过应用以往未知的声波特性，发现了操控声音的新方法——例如在声学回路中实现近乎无耗散的声波传播。）严晓东解释道："在拓扑声学突触中，声波之间的相互作用有助于在最终读出之前对信息进行变换和组织。"

在将150朵花分类为三种鸢尾花品种的测试中，新设备的表现超越了基于传统芯片的多层感知机（MLP）神经网络。这一声学设备——仅代表单个模拟突触——仅用39个参数便实现了96.7%的最终准确率，且比MLP快20%达到峰值精度。研究人员指出，MLP若要达到相近的准确率，则需要9个神经元及更多参数。

能效与神经调质模拟能力

综合估算，新设备的功耗最多仅为当前最先进电子神经形态硬件的十分之一。严晓东表示："未来的神经形态系统或将把物理波动力学与传统计算相结合，从而实现更高效的信息处理。"

此外，研究人员还发现，新设备能够模拟神经调质这类关键分子的活动。多巴胺、血清素等神经调质"能使突触变得更敏感或更迟钝，加快或减慢响应速度，或改变其学习强度"，严晓东说，"这种灵活性有助于大脑适应注意力、奖励、压力或学习等不同状态。"

单个生物突触可能同时受多达10种神经调质的影响，但在传统神经形态硬件中模拟这一机制极具挑战性，通常需要复杂得多的设计。

然而，研究人员发现，在声学突触中，只需增加一根铝棒，系统便能模拟多种神经调质过程——包括快速响应（如多巴胺在学习过程中对突触强度的影响）和缓慢的长期响应（如慢性应激反应）。

艾莫内指出："神经调质让大脑能够用同一个回路根据不同情境执行不同功能。这与现在的做法截然不同——现在我们必须为不同任务构建不同的神经网络。未来，我们或许不再需要庞大的神经网络，而是用规模更小的神经网络，借助类似神经调质的机制来自我调整以应对各种场景。这真的令人振奋。"

相关研究成果已于6月12日在线发表于《科学进展》期刊。

Q&A

Q1：声学突触与传统电子神经形态硬件相比，在能耗上有多大差距？

A：根据研究人员的估算，声学突触设备的功耗最多仅为当前最先进电子神经形态硬件的十分之一。在花卉分类实验中，声学设备仅用39个参数就达到了96.7%的准确率，而传统多层感知机神经网络若要达到相近精度，则需要9个神经元和更多参数，并且声学设备达到峰值精度的速度比MLP快20%。

Q2：phi-bits是量子计算吗？和普通比特有什么区别？

A：phi-bits并非量子计算，而是经典系统对量子计算机的模拟类比。与传统比特不同的是，传统比特每个只能表示0或1两种状态，且每个比特需要独立的物理元件；而phi-bits可以在同一空间内同时表示多个变量，支持类量子逻辑门运算和并行计算，从而使单个声学突触具备同时处理多种计算任务的能力。

Q3：声学突触如何模拟神经调质的作用？

A：研究人员发现，在声学突触中只需增加一根铝棒，系统就能模拟多种神经调质过程。这包括快速响应（如多巴胺在学习过程中影响突触强度）和缓慢的长期响应（如慢性应激反应）。生物神经调质能让大脑用同一回路根据不同情境执行不同功能，而声学突触的这一特性意味着未来可以用更小的神经网络，通过类似神经调质的机制自适应地处理不同任务。