日本東北大學電氣通信研究所的守谷哲特任助教與佐藤茂雄教授等人的研究團隊，通過模擬CMOS電路實現瞭如同人類大腦一樣工作的脈衝神經網路（SNN）。通過採用在亞閾值區域工作的CMOS，不僅使SNN以智慧型手機功耗百萬分之一的超低功耗運行，還證實了其可應用於話音辨識任務，以及能夠進行耐受製造偏差和溫度變化的資訊處理。相關研究成果已發表在期刊《IEEE Transactions on Circuits and Systems I：Regular Papers》上。
圖1. 採用0.18微米CMOS工藝設計和製造的模擬腦脈衝神經元電路（左）和模擬腦脈衝神經網路電路（右）的顯微照片。（供圖：日本東北大學電氣通信研究所）
在受生物腦神經網路啟發的SNN中，資訊表達與處理是基於神經細胞（神經元）輸出的脈衝信號進行的。由於其具有在未產生脈衝時不進行資訊處理的特性（事件驅動性），所以能夠將功耗降至極低水平。為了充分發揮這一特性，需要高效實現SNN運行的專用硬體。
採用模擬電路製造專用硬體，通過使電晶體在亞閾值區域工作，可將功耗降至常規數字電路的1/100以下。然而，由於模擬電路顯著受產品偏差和溫度變化的影響，此前尚不明確在亞閾值區域工作的模擬電路能否實現耐受偏差的資訊處理。
研究團隊使用模擬CMOS電路構建了SNN，成功研製出可超低功耗運行的SNN晶片。神經元電路的單脈衝能耗為22.7飛焦耳（fJ），相較使用傳統數字電路實現的SNN，功耗降低了2～3個數規模。
研究團隊進一步構建了可最多連接6個該晶片的系統，並運用儲備池計算框架將其應用於語音信號分類任務。該系統對「零」至「九」共10類語音進行分類，實現了八成以上的準確率。此外，研究顯示，通過在網路中混入類似生物腦的工作模式不同的神經元，分類準確率可進一步提升。
此外，研究團隊還考慮模擬電路應用中存在的製造偏差和溫度變化問題，進行了語音信號分類任務的模擬。結果表明，通過在考慮偏差的條件下進行再學習，系統能夠在元件尺寸偏差和溫度變化環境中維持性能的穩定性。該結果表明，此次提出的系統與儲備池計算技術具有高度的技術相容性。
此次研究成果有望應用於無需電池或電池更換受限環境下也能運作的超低功耗資訊處理器件。此外，研究還揭示了對模擬電路運行有顯著影響的偏差進行容忍並利用的新型計算方法的可能性。
原文：《科學新聞》
翻譯：JST客觀日本編輯部
【論文資訊】
期刊：IEEE Transactions on Circuits and Systems I: Regular Papers
論文：Analog VLSI implementation of subthreshold spiking neural networks and its application to reservoir computing
DOI：10.1109/TCSI.2025.3550876
