近日，浙江大學潘綱教授和林芃研究員首次實現了一種基于新型類腦器件、可以實現多種復雜編碼方式的人工神經元，彌補了以往神經元單元硬件部署開銷大及仿生功能單一等不足。

（來源：課題組）

在神經元的設計上，課題組提出了利用快慢子動力學交互實現復雜神經編碼的硬件設計思路來構建神經元單元，用快慢子變量模擬不同離子通道的動態行為，可以在較小的硬件開銷下實現不同的脈沖發放形式。

在硬件實現上，課題組提出兩種類腦器件的異構集成方法，利用 Mott 憶阻器高效脈沖發生能力及電化學隨機存儲器（ECRAM，Electrochemical Random - Access Memory）精確狀態調控能力，高效實現了人工神經元單元不同放電模式間的便捷切換。相較于以往神經元研究需要更改電路元件或電路刺激來實現多樣化發放，其具有仿生度高、功能豐富可調、硬件開銷低等顯著優勢。

在神經元的功能驗證上，課題組展示了動態行為更加豐富的發放模式對于神經網絡準確率與工作效率的同步優化。

總的來說，本次成果突破了以往復雜神經元電路發放行為難以重構的難題，為腦啟發計算系統的實現提供了一種新穎的硬件解決方案。

（來源：課題組）

本次工作涉及到一個神經元電路單元的設計，在功能和性能方面展現出一些優勢，研究團隊將致力于實現這類神經元單元的規模化集成，構建具備神經網絡高效部署與運行能力的類腦芯片，將其廣泛用于邊緣計算、腦機接口、類腦計算系統等場景中，實現對環境信息的實時感知和智能處理，提高系統的智能化水平，推動人工智能技術的發展。

如何在芯片中實現復雜神經編碼模式的調整？

多年來，研究團隊致力于類腦計算技術的研究。當前，利用新型類腦器件比如憶阻器來模擬生物神經元與突觸單元，是解決類腦計算算法高效部署運行的關鍵技術。

在以往的工作中，該團隊研發了多種面向不同神經網絡功能加速的人工突觸器件 [1-4]。在神經元器件研究方面，國內外進展還較初步，但也面臨著多方面的挑戰。

傳統的類腦芯片上通常依賴于互補金屬氧化物半導體（CMOS，Complementary Metal - Oxide - Semiconductor）電路模擬神經動力學特性，包括實現一些復雜神經元模型比如 Hodgkin-Huxley 模型。

雖然這樣也能模擬生物神經元中多樣化的放電模式，但是由于晶體管缺乏本征的神經動力學特性，其電路結構十分復雜，硬件開銷太大，阻礙了在硬件系統中大規模的集成應用。

另一方面，簡化的神經元模型比如 Leaky-integrate-fire 模型，它的實現開銷相對較小，但是脈沖發放模式單一，計算能力又會受到制約。

在這種情況下，研究團隊開始探索底層器件和硬件設計上的創新來實現高效復雜神經元電路。在工作開展之后，他們又發現雖然現有復雜神經元電路可以實現不同的脈沖發放模式，但是這要求對硬件的元器件進行參數修改（如電容、電阻值）或替換，這種參數修改在芯片制備完成后是很難實現的，所以在芯片中實現復雜神經編碼模式的調整又是一個新的挑戰。

在這樣的背景下，課題組開始了關于本次神經元的研究，期望為腦啟發計算系統的高效硬件部署提供支持。

（來源：課題組）

成功展示神經元電路的發放性能

通過梳理神經元單元設計的挑戰與創新點，研究團隊意識到要突破當前神經元設計的瓶頸，就必須從神經元電路的核心器件入手，最終制定了這篇論文的大概思路。

在課題確定之后，該團隊展開了最為關鍵的器件選型與設計階段。期間經過反復篩選和對比，最終選擇了 Mott 憶阻器和 ECRAM 這兩種新型的類腦器件，以便能從不同的角度模擬生物神經動力學特性。

進一步地，課題組受到經典快-慢神經元電路分析方法的啟發，設計了一種異構集成的可重構高階神經元電路架構。

然而，新器件的研究還需伴隨著大量的重復實驗，期間他們不斷地調整器件加工制備參數。

期間，如何用簡單的電路開發能實現多種復雜神經編碼的神經元，這個問題一直困擾著研究團隊。后來，他們接觸到神經元模型中快-慢變量分析方法，這讓其受到極大的啟發。

于是，他們將這一思想融入到電路設計，通過加入一組快慢電容巧妙實現了神經元電路兩個尺度動態行為的交互，這不僅產生了復雜的脈沖編碼行為，并且所搭建的電路具備良好的性能。

總之，經過多次針對器件性能與電路設計的優化，研究團隊成功展示了這種神經元電路的發放性能，證明其不僅仿生度高、功能豐富且可調，并能大大降低硬件開銷。

日前，相關論文以《生物可信的可重構尖峰神經元用于神經形態計算》（Bio-plausible reconfigurable spiking neuron for neuromorphic computing）為題發表在Science Advances[5]。

浙江大學博士生肖宇和博士生張碧華以及本科生劉毅澤是共同一作，浙江大學潘綱教授、林芃研究員與西湖大學孔瑋研究員擔任共同通訊作者。

圖 | 相關論文（來源：Science Advances）

目前，本次工作只是一個基于單器件的研究，僅僅展現了一些原型驗證，還無法直接運用到類腦計算中。

眼下，該團隊正在開展更加深入的工作，重點是實現這樣器件的規模化集成，當然這也充滿許多挑戰。

首先，需要提高器件的性能，通過進一步改進器件材料和制備工藝，優化 Mott 憶阻器和 ECRAM 的器件能力，提高器件的穩定性和可靠性，滿足規模化集成要求。

其次，在大規模集成過程中，還得考慮不同單元間的互聯訪問，需要結合軟件算法的運行特點設計集成架構。

通過上述努力，研究團隊希望在接下來的一兩年間研制出類腦芯片，將其用于實際場景之中，真正實現類腦計算高效部署運行。

參考資料：

1.Nature Electronics, 2020, 3, 225-232

2.Nature Nanotechnology2020, 15，574-579

3.Nature Electronics, 2022, 5, 386-393

4.Nature Communications2023，14，6184

5.Xiao, Y., Liu, Y., Zhang, B., Chen, P., Zhu, H., He, E., ... & Pan, G. (2025). Bio-plausible reconfigurable spiking neuron for neuromorphic computing.Science Advances, 11(6), eadr6733.

運營/排版：何晨龍