經擬態運算（Neuromorphic Computing）需要在像是例如神經組織和突觸等人腦元素的啟發下建立體系架構。這些運算架構被證明能激發出許多極具發展前景與優勢的應用，因為它們可以同時兼具儲存和學習的功能。

當前大多數的神經擬態運算架構都是人為重建突觸的可塑性（亦即很容易隨著時間的推移而塑造的能力），突觸是神經細胞之間的連接點，能夠在大腦各區域進行神經信號脈沖傳播。然而，神經形態計算方法的另一個潛在的有價值的靈感來源是神經元膜的可塑性，它是保護神經元功能的屏障。

找到能復制神經單位膜特性的合適系統，讓神經芯片產生獨特非線性輸出動態

考慮到這一點，柏林工業大學（TechnischeUniversit?t，TU）德勒斯登和霍姆赫茲中心（Dresdenand Hemholtz Center）研究人員最近設計了一種能模仿神經單元膜既有可塑性的神經晶體管（Neurotransistor） 。關于這顆新型神經晶體管的論文已發表在《自然─電子學》（Nature Electronics）期刊上，該晶體管是透過在硅納米線（SiliconNanowire）上涂上離子摻雜型溶膠－凝膠硅酸鹽薄膜制成的。

進行這項研究之研究人員之一的Larysa Baraban表示：「做為一個在生物和化學電子傳感器方面具有主要專業知識的團隊，我們試圖找到一種能利用生物傳感器原理來復制神經單位膜特性的合適系統。」由Eunhye Baek、Baraban 和他們同事共同設計的神經晶體管，利用了基于硅納米線晶體管之電子式電壓生物傳感器（Potentiometric Biosensor）的特性。這類傳感器可以將離子或分子的電荷轉換成電流。研究人員將能電子感應到離子電荷（Ionic Charge）的場效晶體管（Field Effect Transistor，FET）與溶膠－凝膠薄膜結合，進而實現離子電荷的重新分配。

參與這項研究的另一位研究員Gianaurelio Cuniberti告訴TechXplore：“我們在8英寸絕緣體上硅（SOI）芯片上使用CMOS工藝（例如電子束和UV光刻）制造了硅納米線晶體管，” “然后我們用離子摻雜的硅酸鹽薄膜涂覆納米線器件，該薄膜是通過溶膠-凝膠工藝使用硅酸鹽基前體和金屬離子合成的。”

由Baek、Baraban、Cuniberti 和他們同事共同提出的新型神經晶體管可以充當短期存儲體，這是因為溶膠─凝膠薄膜限制了內部離子的移動，并在短時間內保持一定的離子狀態。由于這種獨特性，溶膠－凝膠薄膜允許神經晶體管產生獨特的非線性（亦即Sigmoid 函數）輸出動態，它由歷史輸入信號來控制。

利用神經元可塑性獲得動態學習能力

研究人員開發的設備可模擬神經元細胞的功能和固有可塑性。實際上，在神經元中，膜電位會引起離子電流發生S型變化。這種非線性動態特性還為其提供了先進的學習能力，使其非常適合機器學習應用程序，例如，學習如何在模式分類任務中表現良好。

“這項研究最有意義的成就是利用神經元的可塑性獲得的神經晶體管網絡的動態學習能力，”這項研究的主要研究人員之一EunhyeBaek告訴TechXplore。“許多神經經擬器件（主要是憶阻器）由于其隨機性（如隨機電流閾值）所以很難控制輸出動態。”

研究人員采用的設計策略是允許他們的神經晶體管使用其神經細胞中定量的摻雜離子來獲得穩定的輸出動態。Baraban、Cuniberti、Baek和他們同事最近研究的目標是，模擬神經元的非線性運算，他們的神經晶體管可用于執行元件級分類，而無需進行數據的后處理。這使得更強大的神經擬態運算能以更低的功耗實現，反觀當前運行在神經擬態元件上的現有模式分類模型，多半需要額外的軟件運算。

Baraban 表示：「最終，我們證明了人們可以從傳統的場效晶體管，甚至整顆晶片，透過對溶膠－凝膠薄膜的選擇性修改，將其轉變成具有全新功能的神經晶體管（或神經芯片）。」 這項工作證實了神經擬態電子零組件在單一元件中實現記憶和學習功能的巨大潛力。透過模擬神經單位膜的可塑性，他們設計神經晶體管的新策略讓具備進階學習能力之新電子元件的制造成為可能。

「我們現在正在清華大學透過混合憶阻器開發有如視網膜般的人工視覺感官神經元，來進行進一步的大腦啟發式運算研究，」Baek 指出：“在傳入的信號到達大腦之前，感覺神經元已經進行記憶和學習，以對信號進行預處理。我們的神經晶體管背后的動態學習原理將應用于處理隨時間變化的光信號。”