这一成果详情发表在IEEE Transactions on Neural Networks and Learning Systems上。https://ieeexplore.ieee.org/document/9526883
模仿生物大脑结构并实现神经元和突触元素的神经形态系统有望用于人工智能（AI），但目前，作为AI的优化还不够。这主要是由于两个问题：使用大规模的模拟电路和忆阻器（可变电阻），导致大的直流电流和瞬态；使用大规模的电路来控制突触连接的强度，导致大的功率消耗。
因此，在神经拟态系统的开发中，为了降低功耗，该团队决定使用没有直流电流并能减少瞬时电流的记忆电容，同时在神经形态系统的开发中使用自主的本地学习来缩小电路规模。
在这项研究中，选择了使用铁电电容的MemCapacitor。采用了一个简单的结构，以方便未来的高度整合。具体来说，采用由Bi3.25 La0.75 Ti3O12（BLT）的薄膜液相工艺，一种铋（Bi）、镧（La）和钛（Ti）的氧化物合金，在液相中被加工成一个横杆式膜电容。研究人员表示，铁电电容器的自发极化随着施加电压的历史变化而变化，从而形成一个具有不同电容的电路元件。
另一方面，自主局部学习则是一种学习方法，其中单个元件仅根据自身的驱动条件改变其特性，并通过充分利用记忆电容器的电压历史的电容特性，控制电路突触元件的耦合强度。以使神经形态系统只用memcapacitor来学习，而不用任何电路来控制突触元素的耦合强度。
在学习阶段，所需的电容变化是通过简单地对横条形的水平电极和垂直的垂直电极施加电压来诱导的。推理阶段也很简单：在水平电极上施加电压，然后读取垂直电极的电压。
在实验中，这个神经拟态系统被用来记忆字母“T”和“L”，当输入稍微不同的模式时，确认输出的是记忆的“T”或“L”中较接近的一个。
这种行为被称为 "联想记忆"，它可以直接应用于字符识别和图像识别，但也可以根据问题集应用于各种人工智能任务。此外，据说传统的认知计算系统的规模约为10个冰箱的大小，功耗为几百千瓦，但根据这项研究的基本结果，预计可以建立一个具有类似功能的系统，其尺寸为单芯片LSI，功耗为20W左右，功耗降低近万倍。
