科学家在多个领域进行复制人脑的尝试，包括模仿人脑神经元的神经形态芯片。现在，一组科学家尝试研发纳米级神经元，使之模仿人类神经元非线性振荡，获取学习能力，极大地提高计算速度。该成果在语音识别实验上得到证实，识别准确率高达 99.6%。
上个月，IEEE Spectrum 做了一个「我们能否复制大脑」（Can We Copy the Brain? http://spectrum.ieee.org/static/special-report-can-we-copy-the-brain）(http://spectrum.ieee.org/static/special-report-can-we-copy-the-brain%EF%BC%89) 的专题报道，对目前所有在硬件、软件上复制人类大脑的尝试进行了汇总整理。模仿人脑神经元的神经形态芯片也是其中的一个领域。据该领域顶尖从业者所述，神经形态系统现已出现，但离超越传统计算方案还有距离。
现在，一支由来自法国、美国和日本的科学家组成的团队将研究方向瞄准了人类神经元非线性振荡，他们认为这可以使人工神经元的能力更接近人脑神经元，研究结果可使微型神经形态芯片具备学习能力，且能够广泛应用。非线性振荡器将恒定输入转换成振荡。例如，摆钟就是非线性振荡器。神经元也是非线性振荡器：如果你用恒定电流激活它们，它们就会定期输出电压尖峰（voltage spike）。
来自法国国家科研中心-泰雷兹集团（CNRS-Thales）、美国国家标准技术研究所（NIST）和日本国立高级工业科学与技术研究院（AIST）的研究者在《自然》杂志上发表文章，他们关注收缩人工非线性振荡器（shrinking artificial non-linear oscillator）的问题，研究将 108 个振荡器嵌入拇指大小的芯片内部的二维阵列（two-dimensional array）中。
纳米级设备似乎是最佳选择，但是这些设备也有自己的问题：它们产生大量噪声，且缺乏稳定性，而这正是可靠地处理数据的先决条件。但是科学家们拒绝使用其他建议方法，如基于忆阻设备（memristive device）或超导装置（superconducting device）的方案。这些科学家选择由磁隧道结（magnetic tunnel junction）构成的自旋纳米振荡器（nanoscale spintronic oscillator），磁隧道结是构成巨磁阻（giant magnetoresistance，GMR）读取头的主要组件。
「磁振荡器比忆阻振荡器性能稳定。」CNRS 研究总监、该论文的合作作者 Julie Grollier 在给 IEEE Spectrum 的邮件中写道，「原因在于磁振荡器具备循环稳定性。磁隧道结具备几乎无限的持久性，而忆阻器在一百万次循环后开始下降。」Grollier 还说，磁振荡比超导脉冲更容易衡量，它们在室温条件下产生，输出的电压通常是 100 毫伏特，比约瑟夫森结（Josephson junction，超导材料和绝缘体中间的部分）的输出电压大几个数量级。
自旋纳米振荡器是两个铁磁层（ferromagnetic layer）构成的柱体，两个铁磁层由一个无磁隔离层（non-magnetic spacer）分隔开来。充电电流流经这些结时变成自旋电流，并在磁化区域生成转矩（torque）。这就导致磁化进动（magnetization precession）现象，该现象通常在原子和未配对电子自旋被放置在磁场中，并按照精确频率围绕磁场旋转时发生。这使得磁化进动输出频率从几百兆赫发展到几万兆赫。之后，磁振荡器通过磁阻转化成电压振荡（voltage oscillation），产生的射频振荡（radio-frequency oscillation）高达几十毫伏特，可通过衡量结周围的电压来检测。「我们使用磁纳米神经元（magnetic nano-neuron）模仿 400 个神经元组成的网络，这要依靠时分复用（time multiplexing）策略。」Grollier 说，「磁柱在每个神经元中逐个发挥作用，就像一个在一部电影中扮演所有角色的演员。」
为了测试他们的系统，这些研究人员尝试使用它来进行声音识别。他们把语音信号进行转化，从而使这些信号可以作为电流被识别，然后通过纳米级神经元来传送电流。这些被加速了一千倍的电波在堆叠的纳米级磁体上引发磁体振荡，就像一个旋转的罗盘。磁体振荡通过磁阻被转化成神经元之间的电压振荡。他们用一个示波器来记录这些电压变化，这些突触功能可以被计算机模拟，以使神经网络从中学习。
「我们现已实现的神经网络对是以不同讲话者的数码语音识别成功率高达 99.6%，与比它面积大 1000 倍的神经元性能相当甚至更好。」Grollier 说道。「结果表明磁纳米神经元可以以一种可靠方式完成识别任务。」磁纳米神经元有着和磁体记忆细胞（magnetic memory cell）相同的结构，后者已经在硅片上被制造过亿万次了。明年，研究人员计划将这些新型神经元紧密地互相联系起来，并且控制它们的联轴器，以创建能够进行复杂信息处理的大型网络。
「我们的最终目的是实现智能化、低能耗的微型芯片，这种芯片能够对现实世界中不断改变的非明确情境进行学习和适应。」Grollier 说道，「这些芯片可能对多种应用都有益处，包括对海量数据进行实时分类、驱动自动化车辆、医学诊断或者是人工配件等等。」
