仿生記憶體：解決AI「災難性遺忘」的關鍵突破

近年來，人工智慧（AI）技術突飛猛進，但「災難性遺忘」問題始終困擾著深度神經網路。當AI學習新任務時，往往會覆蓋先前學到的知識，導致舊有資訊遺失。然而，科學家們近期開發出一種新型記憶體元件——「仿生記憶體」，它模仿大腦的學習機制，結合類比與數位行為，有望徹底解決這一難題。

與傳統深度神經網路不同，這種創新元件能夠保留過去的學習成果，就像人類大腦一樣。大腦之所以能避免災難性遺忘，是因為它能調節突觸在學習過程中的變化強度，這種能力被稱為「元可塑性」。動態調整讓大腦能夠學習新資訊，同時保留舊記憶。德國尤利希研究中心（Forschungszentrum Jülich）的Ilia Valov表示，這種記憶體具有獨特特性，能透過不同的切換模式進行調控，確保儲存的資訊不會遺失。

記憶體（Memristor）是「記憶電阻器」的簡稱，隨著電腦硬體的進步，它已成為神經形態計算領域的潛力元件。與傳統電阻器不同，記憶體的電阻會根據施加的電壓而改變，且關鍵在於，即使斷電後仍能記住這種電阻。這種記憶效應來自於裝置內部的物理變化，例如原子遷移和電極結構的改變。Valov指出，記憶體元件被視為模擬大腦的學習型神經啟發電腦元件的理想選擇。

儘管已有顯著進展，但記憶體元件的商業化速度仍低於預期。這主要是由於生產過程中故障率較高、產品壽命較短，以及對熱生成或機械影響的敏感性，導致運行中頻繁出現故障。Valov強調，基礎研究至關重要，必須更好地控制奈米級製程，並開發新材料和切換機制，以降低系統複雜性並提升功能範圍。

在這方面，Valov與德國和中國的同事們取得了重要突破。他們發現了一種全新的電化學記憶體機制，化學和電氣穩定性更高。這項研究成果已發表於《自然通訊》（Nature Communications）期刊。Valov解釋，目前已知的雙極記憶體主要有兩種機制：電化學金屬化（ECM）和價態變化機制（VCM）。他們設計了一種結合兩者優點的記憶體，這在過去被認為是不可能的。

這種新型記憶體基於完全不同的原理：它利用金屬氧化物形成的細絲，而非純金屬細絲。這種細絲由氧和鉭離子的移動形成，具有高度穩定性，且不會完全溶解。Valov將其比喻為「始終存在並僅進行化學修飾的細絲」。這種新型切換機制非常穩健，科學家稱之為「細絲導電性調變機制」（FCM）。

基於FCM的元件具有多項優勢：化學和電氣穩定性更高、耐高溫能力更強、電壓範圍更廣且所需電壓更低。這使得製造過程中的元件損壞率降低，報廢率減少，壽命更長。此外，不同的氧化態讓記憶體能在二進位和/或類比模式下運作。這種結合類比與數位行為的特性，對神經形態晶片尤其重要，因為它有助於克服災難性遺忘問題。

研究團隊已將這種新型記憶體元件應用於人工神經網路模型的模擬中，並在多個影像數據集上實現了高準確率的模式識別。未來，他們將尋找更穩定、性能更優的材料，進一步推動「記憶內計算」電子元件的發展。Valov對這項技術的前景充滿信心，認為它將為AI領域帶來革命性突破。