米乐m6官方网站[理事长中钵良二]（以下简称“AIST”）自旋电子学研究中心[研究中心主任汤浅真司]金属自旋电子学团队研究员常木住人、研究组组长药师寺敬、研究中心久保田仁志总研究主任、福岛研究中心副主任昭夫等人与法国巴黎萨克雷大学、美国国家标准研究所（NIST）合作，美国。自旋扭矩振荡器 (STO)神经元并论证了其原理。
模仿人脑神经元和突触的信息处理神经拟态计算预计能够高速、低功耗地处理大量模糊和不完整的信息，例如大脑擅长的识别和学习。这次，我们开发了一种使用纳米级自旋扭矩振荡元件作为人工神经元的神经形态电路语音识别系统。这是世界上第一个使用纳米级人工神经元的语音识别系统，该系统能够以996%的准确率识别人类说出的“0”到“9”单词。这是一个更大、更复杂的光学系统水库计算机新开发的人工神经元有望加速神经形态计算和人工智能等领域的研究和开发。
该结果详情于7月27日（当地时间）发表在英国学术期刊上自然
 |
| 使用自旋力矩振荡器的人工神经元电路图（左）和语音识别的成功率（右） |
近年来，“TrueNorth”等人工智能芯片的研究积极开展。这些芯片具有模仿人脑信息处理的神经形态系统。该系统由神经元组成，被认为负责大脑中的信息传输和记忆功能。突触通过人工元素，我们的目标是进一步了解大脑，使语音识别和模式识别更高效、更快速。这些使用传统计算机的处理存在效率低下的问题，消耗的能量是人脑的一万倍以上，并且需要更大的运算电路。为了解决这个问题，有多种神经元芯片的研发正在进行中。高效、超小型的人工神经元和突触对于模仿人脑的神经形态系统的发展至关重要。
AIST利用在非易失性磁存储器STT-MRAM的开发中积累的薄膜材料技术和微元件制造技术，对自旋扭矩振荡装置的实际应用进行研究。自旋转矩振荡元件是一种具有高非线性的超小型振荡元件。此外，如果元件尺寸减小到约10纳米，则可以在约1微瓦的微小输入信号下工作，从而形成低功耗和高效率的振荡元件。 AIST在自旋转矩振荡装置的研发方面取得了世界领先的成果。 (2008 年 8 月 28 日、2014 年 1 月 8 日、2015 年 12 月 14 日、 AIST 2016 年 12 月 16 日新闻稿）
自旋扭矩振荡元件是一种自激振荡元件，当施加直流电时，通过激发自旋共振进动（铁磁共振）来产生交流电压（图1（a））。由于该振荡元件的输出电压取决于直流电流的大小，因此可以通过改变直流电流值来改变输出交流电压值(图1(b))。此时，交流电压的幅值不再跟随输入瞬时变化，而是放松时间的时间延迟而逐渐变化。另外，交流电压的幅值与电流值不成正比，非线性表现得像10954_11004|神经形态系统需要弛豫时间和非线性的这种特性短期记忆和信号的非线性。
 |
| 图1 自旋扭矩振荡器示意图(a)和交流电压相对于直流电流的时间变化(b) |
| (a) 箭头表示磁化方向。 (b)输出交流电压(包络线)的大小根据流过自旋转矩振荡元件的直流电流的大小而非线性变化。此外，输出交流电压的包络随着输入直流电流的突然变化而变化，并具有弛豫时间。 |
使用这种人工神经元，我们利用储存计算机的概念构建了一个神经形态系统。使用这个系统，我们进行了一项实验来识别人类所说的数字“0”到“9”（英语）。图 2(a) 显示“1”音频信号。音频信号经过预处理（滤波和掩蔽）成为输入信号（图 2(b)）。当该信号输入到由自旋扭矩振荡器组成的人工神经元电路时，获得如图2(c)所示的输出电压。图7中的波形之间发生变化。图2(b)和图2(b)由于自旋转矩振荡元件的弛豫时间和非线性，如图2(c)所示。
用于学习和识别的语音数据是来自 5 个说话者的 0 到 9 10 个数字的数据集。我们准备了10个不同话语的数据集，用N个数据集进行学习，用(10-N)次进行识别。图2(d)显示了语音识别的成功率对学习次数的依赖关系。这里，“无振荡元件”是指直接输入信号（图2（b））语音识别程序处理时，“具有振荡元件”表示用相同的语音识别程序处理人工神经元的输出信号(图2(c))的情况。通过使用由振荡器元件组成的人工神经元电路，即使学习周期数很少，语音识别的成功率也得到了显着提高。正确答案率高达 996%，尽管使用了纳米尺寸的人工神经元，但他们仍达到了与更大、更复杂的光储计算机相同的答案率。
 |
图2 话语“1”的音频信号（英语）（a），对音频信号进行预处理的自旋扭矩振荡器的输入信号（b），自旋扭矩振荡器的输出信号（c），语音识别成功率对话语数量的依赖性（d）
（au是用于表示数量比率的相对物理单位（任意单位）。） |
我们的目标是开发一种先进的神经形态系统，将新的人工突触连接到新开发的人工神经元，并实现大数据的实时信息处理。