神经形态计算技术突破 - 新加坡国立大学研究团队证明单个标准硅晶体管可通过特定操作模拟生物神经元和突触行为 实现神经形态计算硬件的高度可扩展性和节能性 [1] - 该技术利用商用CMOS工艺 通过调整块体终端电阻控制穿透碰撞电离和电荷捕获现象 无需复杂晶体管阵列或新兴材料 [4] - 团队开发的双晶体管单元NS-RAM具备低功耗(＜1μW/操作)、周期稳定性(＞10^6次)和器件一致性 满足实际ANN硬件需求 [4] 技术原理与优势 - 人类大脑通过900亿神经元和100万亿突触连接实现高效计算 突触可塑性是学习记忆的基础 [3] - NS-RAM单元通过物理电子现象直接模拟神经放电和突触权重变化 相比软件ANN节省90%以上能耗 [3][4] - 该方案兼容现有半导体制造流程 采用28nm工艺即可实现 较传统方案节省50%芯片面积 [4] 行业应用前景 - 技术突破使紧凑型AI处理器成为可能 可应用于边缘计算设备 处理速度提升10倍以上 [4] - 当前ANN系统功耗高达100W 制约移动端部署 新方案有望将功耗降至mW级 [5] - 神经形态芯片市场预计2025年达50亿美元 CAGR 35% 该技术具备先发优势 [1][4]