罗宾博士（Dr. Paul Robin）的离子计算革命：人工神经元塑造未来电子记忆新纪元
我们最近有幸采访了保罗·罗宾博士（Dr. Paul Robin），他曾在ENS接受Lydéric Bocquet的指导，目前就职于奥地利科学技术研究所。作为人工神经元领域的领军人物，罗宾博士及其团队的研究成果已于2021年8月6日在《科学》杂志上发表。他们的工作聚焦于脑启发式电子学，并且是与法国国家科学研究中心（CNRS）和巴黎高等师范学院 – PSL的科学家们的合作项目。该研究强调利用离子开发人工神经元，探索了使用单层水的石墨烯纳米缝隙进行类似神经元的信号传输。此项研究突显了纳米流体学在开发能效电子学中的重要性，旨在复制人脑以极低能耗运作的能力及其在电子记忆和人工智能中的潜在应用。在与罗宾博士的对话中，我们深入地了解了他的开创性工作，进一步阐明了他在人工神经元和脑启发式电子学研究方面的重要影响。
是什么启发了你的团队探索使用离子而不是电子来开发人工神经元？
我们有这个想法已经有一段时间了，但我的研究并没有完全专注于此。然而，通过由石墨烯制成的原子级小孔的属性进行建模，我们发现在某些条件下，它们能够表现得像神经元中发现的细胞孔。
在你发表于《科学》杂志的开创性论文中，你讨论了使用石墨烯纳米缝隙来模拟神经元的功能。你能用通俗的语言向我们的读者解释这项技术吗？
神经元通过动作电位——短暂的电压脉冲相互通信。它们通过激活神经元膜上非常小的孔来生成这些电位。这些孔能够通过在特定频率下开启和关闭来控制离子流，从而产生电压脉冲。这些石墨烯缝隙展示了类似的现象，尽管有着不同的底层机制：这些缝隙内的离子倾向于组成离子对，阻断电流。这些对有一定的寿命，之后它们会倾向于分解并允许电流通过。这也会导致电压脉冲的产生，就像在神经元中一样。
你能详细说明人工神经元中能效的重要性，以及它与人类大脑的比较吗？
该领域目前还处于起步阶段，因此我们通常不专注于能效：创建一个人工神经元已经足够困难！然而，我们确实知道在能效方面有很大的改进空间：我们的大脑以20瓦特的功率运行（相当于一个小灯泡），这比我们的现代计算机要少得多。
纳米流体学如何促进人工神经元的研究，以及它对未来发展有什么潜力？
纳米流体学是在分子尺度上测量和控制流动的科学，它提供了很大的潜力（在某些情况下，已经开发了应用）：水的淡化、能源收集、过滤等。目前，人工神经元不过是一种好奇心，但它们展示了在分子尺度上人工如何控制离子流。这本身就是一个伟大的成就。它可以帮助理解生物学中的某些过程或为上述应用开发新型膜。生物启发式计算是一个长期的目标：我们还没有完全达到那里，但我们相信未来几年可以取得巨大进步！
你的研究提到了”忆阻器效应”与人工神经元的关系。你能解释一下这是什么效应，以及它如何促进这些神经元的功能吗？
忆阻器是一种电子组件，其导电性取决于其历史：它是使计算设备从环境中”学习”事物的基本组件。人们已经意识到，描述这种‘记忆’效应的同样方程式可以用来描述神经元中的细胞孔如何对离子的通过而开启和关闭。忆阻器效应使神经元能够发射动作电位，以用来进行通信。
你的研究在实际应用方面非常吸引人。我们距离看到这些人工神经元实现简单学习算法还有多远，实现这一目标面临哪些挑战？
需要采取几个步骤。
第一个是在实验中观察这种记忆效应，因为我的论文” 只是”一个理论预测。这一观察现在已经实现，与进行实验的同事合作完成（例如，可以查看我最近与Robin, Emmerich, Ismail等人在《科学》杂志，2023年发表的论文 ）。
另一个步骤是能够将这些系统中的几个系统连接起来以实现基本操作。对此已有一些初步结果，参见我的同事 Emmerich, Ronceray等人的研究（将在未来几周内发表）。他们成功地将两个系统连接起来实现逻辑操作。
最后一个步骤将是连接许多这样的系统——比如说几十个或上百个——来创建仿生神经网络。这目前极具挑战性，没有人知道如何做到这一点。然而，研究以非线性的方式进展，所以谁知道未来会怎样！
鉴于当前人工智能技术的高能源消耗，你认为离子神经元的发展将如何改变此格局？
从短期来看，变化不会太大，因为我们离现代计算机的复杂性水平还远。我最好的猜测是，从长远来看，我们可能会开发出混合技术，其中以电子学（电子的流动）控制离子电子学（离子的流动），反之亦然。
下一步，你的团队计划实现哪些实验里程碑，以及你即将进行的研究重点是什么？
自那以后，我已经离开了那个团队，因为我现在在维也纳工作。然而，同事们一直在继续努力这项研究。我的理论预测得到了验证，现在下一个重大目标是找到如何连接这些流体系统使它们相互作用。
将你开发的理论模型转化为实际工作系统涉及哪些步骤？
为此，人们需要提取理论结果背后的基本原理。模型和实际实验系统之间往往存在许多差异，因此需要很好地掌握什么是获得期望效果的关键，什么不是。然后，人们需要测试不同的设置和条件，以找出是实验中最好的组合。
你如何看待你的工作对更广泛的技术进步和整个社会的影响，特别是在可持续性和能源消耗方面？
我认为，通过使用纳米流体设备减少计算系统的能源消耗并不一定是我的研究最大的影响，因为这项技术还远未成熟。然而，它可能有助于理解自然如何以低能耗完成复杂操作；在根本层面上回答这个问题将会有更深远的后果。
随着类脑电子学的进步，你认为研究界应该解决哪些伦理考虑？
我相信，公众对于“类脑计算”或“机器学习”的实际含义有着非常不准确的认识。我们不会很快创造出能够超越大脑的电子设备。即使我们做到了，伦理问题更多的是关于这些技术的使用，而不是技术本身。例如，从根本上讲，机器学习不过是一个非常大的统计分析（观察许多问题的例子以预测将来解决问题的方式）。大问题不在于“算法”部分，实际上相当简单，而在于人们如何获取数据而应用这些算法：目前它们（例如ChatGPT）只是在未经所有者同意的情况下在互联网上窃取数据。