人的大脑能够同时学习和记忆大量信息而又不需要太多能量的能力，很多研究机构都希望制造出类似于大脑甚至超越大脑的计算机。

在人脑中，学习是由神经元之间的连接(突触)的增强和减弱而发生的。深度神经网络一直采用这种策略，实现模拟机器学习。

美国麻省理工学院近日开发出一种由无机材料制成的电阻器，它将人工模拟突触的运行速度大大提高，比以前的版本快100万倍，也比人脑中的突触快约100万倍。

这些可编程电阻器不仅提高了神经网络训练的速度，同时也降低了执行训练所需的成本和能量，这可以帮助科学家更快地开发深度学习模型。

这一技术的关键元素是质子可编程电阻器，这些电阻以纳米为单位排列成阵列，就像棋盘一样。

研究人员用无机磷硅玻璃(PSG)做可编程质子电阻器的电解质材料，PSG能够实现超快质子运动，还可承受非常强的脉冲电场。只需向其施加更大的电压，质子的移动速度将倍增。

这项研究是电阻存储器件的重大突破，现在研究人员已经证明了这些可编程电阻器的有效性，后续研究人员将会对其重新设计并进行大批量产，以应用于自动驾驶汽车、安全检测或医学图像分析等诸多领域。

关键词： 模拟机器学习 无机材料 人工模拟突触 神经网络