在人工智能能耗日益增长的背景下，布法罗大学的研究团队从人脑高效运作机制中汲取灵感，开发出一种创新的神经形态计算架构，有望为绿色制造与人工智能领域带来颠覆性变革。

布法罗大学物理系教授、文理学院研究副院长Sambandamurthy Ganapathy博士指出：“大脑的进化目标是最大化信息存储与处理能力，同时最小化能源消耗，这一特性远超任何生物系统。”尽管完全重建大脑的复杂性尚不现实，但模仿其信息处理模式可创造更节能的计算机，进而推动人工智能的绿色发展。

神经形态计算概念虽源于20世纪80年代，但随着人工智能任务对算力和能耗需求的激增，其重要性日益凸显。Ganapathy团队聚焦硬件创新，融合量子科学与工程学，探索可用于构建神经形态芯片的材料的独特电学特性。团队研究生Nitin Kumar解释道：“传统计算机依赖二进制框架，而神经形态计算旨在突破这一局限，接近自然赋予的复杂系统。”

大脑的高效性源于信息存储与处理的同步进行，而传统计算机则因两者分离导致数据传输能耗高昂。Ganapathy团队通过“内存计算”技术，将内存与处理器紧密集成于芯片内，显著降低能耗。这一创新为支持人工智能模型的高能效计算架构奠定了基础。

团队正开发人工神经元和突触，以重现生物体的电信号传递模式。库马尔表示：“我们希望实现脑部扫描中观察到的同步电振荡，这需要精确控制材料电导性的先进材料。”相变材料(PCM)因其能在导电相与电阻相间切换，并保留“记忆”特性，成为理想选择。此类材料可随电脉冲重复逐渐改变导电性，模拟生物突触的强化机制。

团队近期在《美国化学会志》《先进电子材料》及arXiv平台发表研究成果，揭示了铜钒氧化物青铜、氧化铌及金属有机骨架等化合物的潜力。通过电压与温度调控材料导电性，团队深入探索其电子特性。目前，团队正与合作伙伴推进材料结构的原子级控制，以实现电开关特性的精准调节。

Ganapathy教授透露，团队下一步计划同步多个设备的振荡，构建能够模拟复杂大脑功能(如模式识别、运动控制)的振荡神经网络。他强调，神经形态计算机旨在重现大脑的功能行为，而非意识，其解决问题的方式将更接近人类思维——非线性、适应性强，尤其擅长处理有限或模糊数据。

神经形态芯片在自动驾驶领域潜力巨大。例如，面对突发路况(如鹿跃车前)，其可在设备端实时决策，无需依赖远程服务器。Ganapathy预测：“神经形态芯片可能不会短期内普及至智能手机，但会在高度具体化的应用中率先落地，如自动驾驶汽车的实时响应与路径规划。未来或出现多个专用芯片协同工作的模式，而非单一通用型神经形态计算机。”

这一研究不仅为绿色制造提供了新思路，也为人工智能的可持续发展开辟了新路径，标志着人类向“类脑计算”时代迈出了关键一步。

更多信息： John Ponis 等人，《ε-Cu 0.9 V 2 O 5神经形态单晶振荡器中电导切换的原子起源》，《美国化学会志》(2024 年)。