在人工神經網絡中，被稱之為神經元的諸多組件被植入數據并協同來解決諸如人臉識別等問題。神經網絡反復調整相互間的突觸——一種神經元之間的連接，確定由此產生的行為模式是否為更佳的解決方案。但隨著時間推移，神經網絡最終會在計算的結果中發現最佳的行為模式。而后它會選取這些模式作為默認值，模仿人腦的學習過程。

盡管 AI 系統被逐步發掘更多真實世界中的應用，但鑒于用于驅動其運行的硬件局限性，它們仍面臨諸多重大挑戰。為了解決這個問題，研究人員已經開發出了受人腦啟發的神經形態計算機硬件。

例如，神經形態的微芯片組件可能僅會在一定時間內接受到特定數量的輸入信號時，才可能發出尖峰信號或者生成一種輸出信號。這是一種更接近模擬真實生物神經元行為方式的策略。與典型的人工神經網絡相比，這些設備僅發出極少的尖峰信號，因此所處理的數據將會少得多，同時原則上所需功率和通信帶寬會小很多。

然而，神經形態硬件通常使用傳統電子設備，這最終會限制它們可實現的復雜功能和信號傳遞速度。舉例來說，每個生物神經元都可以擁有數萬個突觸，但神經形態設備很難將它們的人工神經元相互連接起來。對此，一種有效的解決方案就是多路復用，即一個信號通道可以同時承載更多的信號。然而，隨著芯片變得更大、更復雜精細，運算速度可能會遲緩。

在近期一項新研究中，美國國家標準與技術研究院（NIST）的研究者們探索使用光發射器和接收器來連接神經元。原則上，光鏈路或光波導能以光速通信速率將每個神經元與數千個其他神經元連接起來。相關論文在《自然 · 電子學》上發表。

論文地址：https://www.nature.com/articles/s41928-022-00840-9

研究概覽

研究者使用了能夠檢測單光子的超導納米線裝置，其中能檢測到的這些光信號是最小的單元，可被看作能量效率的物理極限。

如下渲染圖展示了模擬神經元突觸（大腦中神經元之間的接口點）的超導電路如何被用來創造未來的人造光電神經元。

執行光子神經計算通常很棘手，因為其一般都需要可以在相當長時間內捕獲光的光學腔。在集成微芯片上創建這樣的空腔并將它們與許多波導連接起來具有極大的挑戰性。

因此，研究者開發了混合電路系統，其中每個探測器的輸出信號被轉換為約 2 皮秒長的超快電脈沖。這些脈沖均由超導量子干涉儀網絡或超導量子干涉儀（SQUID）內的單個磁漲落或磁通量引起。

NIST 的研究員、通訊作者 Jeffrey Shainline 表示，「多年來，我們一直在努力進行理論研究工作，希望發掘出使技術能夠實現神經形態計算的物理極限的本質原理。對這一目標的追求讓我們想到了這個概念——將單光子能級的光通信與約瑟夫森結執行的神經網絡計算相結合。」

超導量子干涉儀（SQUID）由一個或多個約瑟夫森結構成，是一個三明治結構，上下均為超導材料，中間由絕緣薄膜隔開。如果通過約瑟夫森結（Josephson junction, JJ）的電流超過某個特定的閾值，超導量子干涉儀就將開始產生磁通量。

在感應到一個光子后，單光子探測器（single-photon detector, SPD）就會產生磁通量子，而后這些通量子就會在 SQUID 的超導回路中作為電流被收集。這種存儲的電流可以作為一種記憶形式，記錄神經元發出了多少次尖峰信號。

下圖 2 為布局和完成的電路。a 為整個突觸電路的 3D 布局；b 為完成制造的顯微鏡圖像；c 為 SPD 布局；d 為制造中的 SPD；e 為 JJ 和分流電阻的布局；f 為制造中的 JJ 和分流器；g 為用于 DR（dendritic receiving, 樹突接收）循環的 SQUID；h 為制造中的 DR SQUID。

Shainline 感嘆道，「讓電路工作起來其實相當容易。在設計階段，制造和實驗花費了相當多的時間，但實際上，在我們第一次制造出這些電路時，它們就已經可以開始工作了。這預示著此類系統未來的可擴展性非常好。」

研究者將單光子探測器與約瑟夫森結集成在一起，形成了一個超導突觸。他們計算出突觸的峰值頻率能夠超過 1000 萬赫茲，同時每個突觸事件消耗大約 33 阿托焦耳的能量（1 阿托焦耳等于 10^-18 焦耳）。相比之下，人類神經元的最大平均峰值速率僅約為 340 赫茲 ，而同時每個突觸事件卻將消耗大約 10 飛焦耳（1 飛焦耳等于 10^-15 焦耳）。

下圖 3 展示了單個突觸的特性，其時間常數為 6.25 μs，電感為 2.5 μH。測量結果表明實際值分別為 8.06 μs 和 3.2 μH。

下圖 4 展示了突觸傳遞函數可以在廣泛的時間尺度范圍內進行設計。

此外，研究者可以實現這些電路系統設備的輸出時間從數百納秒變化到毫秒。這也意味著這些硬件可以與一系列系統連接，實現從高速電子設備間的通信乃至人機間更悠閑的交互。

未來，研究者將把他們研發的新突觸與片上光源相結合，創造出完全集成的超導神經元。Shainline 對此表示，「實現完全集成的超導神經元仍然存在巨大的挑戰，但若我們能夠將最后那部分也集成進去，那么非常有理由相信最終它可能會成為人工智能的強大計算平臺。」