来源：DeepTech深科技
近日，沙特阿卜杜拉国王科技大学何钊博士和所在团队，打造了一种基于量子芯片的神经储存器，支持每平方厘米万亿个节点。
（来源：arXiv）相比此前的同类系统，本次系统的网络规模高出 2-7 个数量级。对于每个网络节点来说，它都由薄膜上的量子核化诱导的纳米电路组成。
而这种薄膜则由相变材料构成，这让单个读出通道只需消耗 0.07 纳瓦特的电功率。
相比此前最佳的人造储存器，在电功率上降低了 6 个数量级，并且比人脑生物神经元的效率高出 1 个数量级。
由于本次芯片含有大量的神经网络节点，并拥有出色的功率效率。课题组结合其量子特性，开辟了一种新形式的硬件安全原语。
安全原语，是一个物理系统或设备，它能够基于单向物理现象生成独特、且不可复制的数字指纹。
安全原语的强大功能，吸引了学界研究身份验证系统的兴趣。当前的身份验证方法比如密码和生物识别，已被证明可被黑客攻击，不再足以保护用户。
而本次研究证明：通过神经芯片可以打造一种新技术，由于受到量子力学法则的保护，因此不会被硬件克隆所影响。
对于当前和未公开的任何类型的人工智能攻击，上述新技术都具有免疫性。
实验结果显示：其具有 99.6% 的可靠性、100% 的用户认证准确度、以及较为理想的 50% 的密钥唯一性。
其所拥有的量子特性，也比目前最好的技术高 3 倍以上，同时能在仅有 1 平方厘米的面积内存储 21104多个密钥。
在应用前景上：
其一，可以实现安全应用。
本次芯片能帮助确保智能能源网络等关键基础设施拒绝未经授权的访问，助力实现技术深度渗透的智慧城市。
未来，假如在成熟度更高的技术阶段，基于本次芯片的原型能够完成验证，那么预计这项技术可以显著遏制攻击私人公司和政府机构的网络犯罪行为。
其二，可用于自然语言处理任务。
比如，它能进行语言建模、情感分析、文本分类、机器翻译和语音识别等。
基于储存器的循环性质，使其非常适合用于处理文本等顺序数据。与此同时，它还具备捕获复杂模式的能力，这让其能针对语言的细微差别进行建模。
基于芯片上神经储存器的大规模神经网络节点和高功率效率，则使其能在资源受限环境之中，开展实时的语言处理应用。
（来源：arXiv）
模拟对手，验证攻击
研究中，课题组选择使用锗锑碲这一相变材料。原因在于：对于锗锑碲材料的相变来说，可以通过电场、热、光等多种方式进行诱导和控制。
另外，锗锑碲具备较快的相变速度、以及非挥发性相变过程特性，更加适合于本次课题的开展。
而在制造芯片的时候，为了消除不均匀基底的影响，他们使用单面抛光的硅片作为原始基底。
然后，在硅片上沉积一层薄薄的二氧化硅，来作为最终的支撑基底，借此消除硅作为半导体对于电信号测试的影响。
随后，则需要对锗锑碲薄膜进行沉积。对于这一步骤来说，并没有可以参考的操作参数。
因此，他们需要事先总结参数，特别是总结厚度和时间这两个参数，然后选择适当的沉积时间，以便获得相应的厚度。
而在电极制备这一步骤，则需要基于芯片的电流-电压检测，在任意不同的电极点之间进行电路连接。
这也意味着，电极本身必须是隔离的、并且不能连接。为此，课题组制备了一种光刻掩膜版，在光刻技术的帮助之下，将用于沉积电极的位置暴露出来。
（来源：arXiv）金，具有良好的导电性，因此该团队将其选为电极材料。
在沉积金膜之前，他们先是沉积一层薄薄的钛膜。钛膜沉积的好处在于，有助于减少金膜在使用中由于温度变化、应力和其他因素导致的剥离或脱落。
接着，他们沉积了 80 纳米和 120 纳米厚度的薄金膜。但是，即使使用钛膜来作为中间层，金膜在光刻胶的显影过程中仍会出现剥离，于是他们二次返工制备了更厚的金膜。
芯片上的引线键合工艺，则涉及到通过引线键合设备，来使用微米级的金线，从而将芯片电极连接到电路板。
然而，焊接参数、温度控制、压力控制、焊接速度、气氛控制和金膜厚度等因素，都会影响引线的键合过程。
为此，经过长达几个月的探索，他们终于确定了适宜的设备参数。
在性能表征这一阶段，课题组使用高分辨透射电子显微镜，来对锗锑碲薄膜的微观结构进行表征。
在微观水平上，锗锑碲薄膜主要由非晶结构和少量直径在 5-7 纳米的晶态区域组成。
研究中，布里渊图案的晶面数据显示：锗锑碲材料具有多晶的性质。
与此同时，他们又使用导电探针原子力显微镜设备，在纳米尺度上测试了器件的电性能。
结果显示：测试图像中每个点的相干区域为 8 纳米 × 8 纳米的单个像素。
通过分析电压与电阻的变化，课题组发现当电压增加时，电阻会减小 1-4 个数量级。
这不仅遵循幂律的行为规律，并且微观演变会出现连续性的变化，材料也显示出从非晶态到晶态的转变。
在原位高分辨率透射电子显微镜的帮助之下，他们跟踪了锗锑碲薄膜在加热过程中的情况。
结果发现：已有晶体的生长、以及新的量子尺寸的晶体在热刺激之下的生长过程，导致锗锑碲薄膜内部发生了变化。
为此，他们在探针台的帮助之下，针对量子芯片进行电流-电压的测试。
通过此他们观察到：非晶态锗锑碲薄膜的参数，开始出现可重现、可连续调制的特性。
而来自非晶薄膜的量子尺度核聚变，会产生纳米电路。下一步是开发一个理论模型，以支持这样一种假设：一个物理储层能够支持源自非晶薄膜量子尺度成核的纳米电路通信。于是，他们决定利用这一特性来开发安全的基础设备，并投入资源进行该应用的研究。
基于此，该团队成功开发出一款认证系统，包含安全密钥生成和安全密钥认证这两个部分。其中，密钥生成遵循“挑战-响应”的模型。
在芯片输入上，他们给定的是二进制的挑战字符串。在芯片输出上，他们则通过使用深度神经网络，来将响应信号转换为二进制密钥字符串。
随后，课题组设计了一个验证网络。在设计验证网络的时候，不但要做到让认证服务器仅仅保留挑战字符串，并且要确保没有任何部分能够存储一次性密钥。
基于这一验证网络，他们开展了密钥认证，并通过针对系统进行建模，模拟了一个“对手”。
这个“对手”不仅非常了解系统的特性，而且能够复制除了神经储存器以外的所有经典组件。
基于这一“对手”，他们评估了系统对于统计推理的抵抗能力。结果表明：攻击者根本无法预测相关的认证实例。
（来源：arXiv）
导师：“你们可能发现了更重要的东西”该团队的博士后研究员何钊、博士生马克西姆·伊利扎罗夫（Maxim Elizarov）是共同一作，李宁研究员是共同作者。
沙特阿卜杜拉国王科技大学教授安德烈·弗拉塔洛奇（Andrea Fratalocchi）担任通讯作者。
图 | 安德烈·弗拉塔洛奇（Andrea Fratalocchi）（来源：资料图）后续，课题组计划开发一个神经芯片的集成解决方案。在目前的方案之中，是由探针台来控制芯片的操作，这限制了在毫秒级范围内调制系统响应速度的能力。
预计在改进之后，将能够进行信息的实时处理，从而提高设备的运行速度和功率效率。
参考资料：1.https://arxiv.org/pdf/2403.14188
运营/排版：何晨龙
“掌”握科技鲜闻 （微信搜索techsina或扫描左侧二维码关注）
