人工神经网络可能很快就能更有效地处理与时间相关的信息，比如音频和视频数据。今天，密歇根大学领导的一项研究在《自然电子》杂志上报道了第一个具有可调谐“松弛时间”的忆阻器。 

忆阻器是一种将信息存储在电阻中的电子元件，与目前的图形处理单元相比，忆阻器可以将人工智能的能源需求减少约90倍。预计到2027年，人工智能将占全球总用电量的0.5%左右，随着越来越多的公司销售和使用人工智能工具，这一比例有可能急剧上升。

 “现在，人们对人工智能很感兴趣，但要处理更大、更有趣的数据，方法是增加网络规模。这不是很有效，”鲁炜说，他是密歇根大学詹姆斯·r·梅勒工程教授，也是该研究的共同通讯作者，密歇根大学材料科学与工程副教授约翰·赫伦。

 问题是gpu的运行方式与运行人工智能算法的人工神经网络非常不同——整个网络及其所有交互必须顺序地从外部存储器加载，这既消耗时间又消耗能量。相比之下，记忆电阻器可以节省能源，因为它们模仿了人工和生物神经网络在没有外部存储器的情况下运作的关键方面。忆阻器网络在一定程度上体现了人工神经网络。

 该研究的共同第一作者、密歇根大学材料科学与工程专业博士研究生Sieun Chae表示:“我们预计，我们的新材料系统可以在不改变时间常数的情况下，将人工智能芯片的能源效率提高到最先进材料的6倍。”

 在生物神经网络中，计时是通过松弛来实现的。每个神经元接收并发送电信号，但并不能保证信号会向前传递。在神经元发送自己的信号之前，必须达到某个输入信号的阈值，并且必须在一定的时间内达到这个阈值。如果时间过长，神经元就会因为电能渗出而放松。在我们的神经网络中有不同放松时间的神经元有助于我们理解事件的顺序。 

忆阻器的工作原理略有不同。改变的不是信号的存在与否，而是有多少电信号通过。暴露于一个信号会降低忆阻器的电阻，允许更多的下一个信号通过。在记忆电阻器中，松弛意味着电阻随着时间的推移再次上升。 

虽然Lu的团队过去曾探索过将松弛时间构建到忆阻器中，但这并不是一种可以系统控制的东西。但是现在，Lu和Heron的团队已经证明，基础材料的变化可以提供不同的松弛时间，使忆阻器网络能够模仿这种计时机制。

 该团队在超导体YBCO上制造了这种材料，该材料由钇、钡、碳和氧组成。它在零下292华氏度以下的温度下没有电阻，但他们想要它的晶体结构。它指导了忆阻器材料中镁、钴、镍、铜和锌氧化物的组织。

 Heron把这种氧化物称为“原子世界的厨房水槽”——添加的元素越多，它就越稳定。通过改变这些氧化物的比例，研究小组获得了159到278纳秒(即万亿分之一秒)的时间常数。他们构建的简单忆阻器网络学会了识别数字0到9的声音。经过训练后，它可以在音频输入完成之前识别出每个数字。

 这些忆阻器是通过一个能源密集型的过程制造的，因为研究小组需要完美的晶体来精确测量它们的特性，但他们预计一个更简单的过程将适用于大规模生产。 

“到目前为止，这只是一个愿景，但我认为有办法使这些材料可扩展和负担得起，”Heron说。“这些材料在地球上储量丰富，无毒，便宜，你几乎可以喷洒它们。”