当前大多数的神经拟态运算架构都是人为重建突触的可塑性（亦即很容易随着时间的推移而塑造的能力），突触是神经细胞之间的连接点，能够在大脑各区域进行神经信号脉冲传播。然而，神经形态计算方法的另一个潜在的有价值的灵感来源是神经元膜的可塑性，它是保护神经元功能的屏障。
找到能复制神经单位膜特性的合适系统，让神经芯片产生独特非线性输出动态
考虑到这一点，柏林工业大学（TechnischeUniversität，TU）德勒斯登和霍姆赫兹中心（Dresdenand Hemholtz Center）研究人员最近设计了一种能模仿神经单元膜既有可塑性的神经晶体管（Neurotransistor） 。关于这颗新型神经晶体管的论文已发表在《自然─电子学》（Nature Electronics）期刊上，该晶体管是透过在硅纳米线（SiliconNanowire）上涂上离子掺杂型溶胶－凝胶硅酸盐薄膜制成的。
进行这项研究之研究人员之一的Larysa Baraban表示：「做为一个在生物和化学电子传感器方面具有主要专业知识的团队，我们试图找到一种能利用生物传感器原理来复制神经单位膜特性的合适系统。」由Eunhye Baek、Baraban 和他们同事共同设计的神经晶体管，利用了基于硅纳米线晶体管之电子式电压生物传感器（Potentiometric Biosensor）的特性。这类传感器可以将离子或分子的电荷转换成电流。研究人员将能电子感应到离子电荷（Ionic Charge）的场效晶体管（Field Effect Transistor，FET）与溶胶－凝胶薄膜结合，进而实现离子电荷的重新分配。
参与这项研究的另一位研究员Gianaurelio Cuniberti告诉TechXplore：“我们在8英寸绝缘体上硅（SOI）芯片上使用CMOS工艺（例如电子束和UV光刻）制造了硅纳米线晶体管，” “然后我们用离子掺杂的硅酸盐薄膜涂覆纳米线器件，该薄膜是通过溶胶-凝胶工艺使用硅酸盐基前体和金属离子合成的。”
由Baek、Baraban、Cuniberti 和他们同事共同提出的新型神经晶体管可以充当短期存储体，这是因为溶胶─凝胶薄膜限制了内部离子的移动，并在短时间内保持一定的离子状态。由于这种独特性，溶胶－凝胶薄膜允许神经晶体管产生独特的非线性（亦即Sigmoid 函数）输出动态，它由历史输入信号来控制。
利用神经元可塑性获得动态学习能力
研究人员开发的设备可模拟神经元细胞的功能和固有可塑性。实际上，在神经元中，膜电位会引起离子电流发生S型变化。这种非线性动态特性还为其提供了先进的学习能力，使其非常适合机器学习应用程序，例如，学习如何在模式分类任务中表现良好。
“这项研究最有意义的成就是利用神经元的可塑性获得的神经晶体管网络的动态学习能力，”这项研究的主要研究人员之一EunhyeBaek告诉TechXplore。“许多神经经拟器件（主要是忆阻器）由于其随机性（如随机电流阈值）所以很难控制输出动态。”
研究人员采用的设计策略是允许他们的神经晶体管使用其神经细胞中定量的掺杂离子来获得稳定的输出动态。Baraban、Cuniberti、Baek和他们同事最近研究的目标是，模拟神经元的非线性运算，他们的神经晶体管可用于执行元件级分类，而无需进行数据的后处理。这使得更强大的神经拟态运算能以更低的功耗实现，反观当前运行在神经拟态元件上的现有模式分类模型，多半需要额外的软件运算。
Baraban 表示：「最终，我们证明了人们可以从传统的场效晶体管，甚至整颗晶片，透过对溶胶－凝胶薄膜的选择性修改，将其转变成具有全新功能的神经晶体管（或神经芯片）。」 这项工作证实了神经拟态电子零组件在单一元件中实现记忆和学习功能的巨大潜力。透过模拟神经单位膜的可塑性，他们设计神经晶体管的新策略让具备进阶学习能力之新电子元件的制造成为可能。
「我们现在正在清华大学透过混合忆阻器开发有如视网膜般的人工视觉感官神经元，来进行进一步的大脑启发式运算研究，」Baek 指出：“在传入的信号到达大脑之前，感觉神经元已经进行记忆和学习，以对信号进行预处理。我们的神经晶体管背后的动态学习原理将应用于处理随时间变化的光信号。”
