计算机在性能和潜力方面已经取得了长足进步，在存储和处理数据、进行预测和交流方面，计算机的能力已与人脑相媲美，甚至超过了人脑。但有一个领域，人脑仍占主导地位：能源效率。

加州大学圣巴巴拉分校电气与计算机工程系教授、纳米电子学领域的世界级专家KaustavBanerjee表示：“尽管最高效的计算机在数学计算等任务上的表现优于大脑，但在执行图像处理和识别等特定任务时，其能耗仍比人脑高出大约4个数量级，也就是10,000倍。”

“提高计算机的能源效率至关重要，因为全球片上电子产品的能耗在全球国家能耗排名中位居第四，而且由于人工智能等应用的推动，这一数字每年都在呈指数级增长。”

此外，他表示，在全球变暖的背景下，能源效率低下的计算问题尤为紧迫，“凸显了开发更节能的计算技术的迫切需要。”

神经形态(NM)计算已成为弥合能源效率差距的一种有前途的方法。通过模仿人脑的结构和操作，处理在低功耗神经元阵列上并行进行，可能可以达到类似大脑的能源效率。

在《自然通讯》杂志上发表的一篇论文中，Banerjee和同事ArnabPal、ZichunChai、JunkaiJiang和WeiCao与英特尔实验室的研究人员VivekDe和MikeDavies合作，提出了这样一种超节能平台，使用基于二维过渡金属二硫属化物(TMD)的隧道场效应晶体管(TFET)。

研究人员表示，他们的平台可以将能量需求降低到与人脑相同的两个数量级(约100倍)。

漏电流和亚阈值摆幅

神经形态计算的概念已经存在了几十年，但相关研究直到最近才开始加强。电路方面的进步使得晶体管阵列更小、更密集，从而以更低的功耗实现更多的处理和功能，而这只是实现大脑启发计算的冰山一角。

再加上人工智能和物联网等众多潜在应用所激发的兴趣，显然，要想向前发展，就必须扩大神经形态计算硬件平台的选择范围。

进入团队的二维隧道晶体管。Banerjee长期以来一直致力于开发高性能、低功耗晶体管，以满足日益增长的处理需求，同时又不增加相应的功率需求，这些原子级厚度的纳米级晶体管在低电压下反应灵敏，作为研究人员NM平台的基础，可以模拟人脑的高能效操作。

除了较低的关断电流外，2DTFET还具有较低的亚阈值摆幅(SS)，该参数描述了晶体管从关断切换到导通的效率。根据Banerjee的说法，较低的SS意味着较低的工作电压，以及更快、更高效的切换。

主要作者阿纳布·帕尔(ArnabPal)表示：“神经形态计算架构被设计为以非常稀疏的发射电路来运行，这意味着它们模仿大脑中的神经元仅在必要时发射的方式。”

与当今计算机的更传统的冯·诺依曼架构不同，在冯·诺依曼架构中，数据按顺序处理，内存和处理组件分离，并且在整个操作过程中持续消耗电力，而NM计算机等事件驱动系统仅在有输入需要处理时才会启动，并且内存和处理分布在晶体管阵列中。

英特尔和IBM等公司已经开发出受大脑启发的平台，部署了数十亿个互连的晶体管，并显著节省了能源。

不过研究人员表示，能源效率仍有提升空间。

班纳吉解释说：“在这些系统中，大部分能量是在晶体管关闭时通过漏电流损失的，而不是在晶体管活动状态下损失的。”

漏电流是电子世界中普遍存在的现象，即使电路处于关闭状态(但仍连接到电源)，也会有少量电流流过电路。

据论文所述，目前的NM采用传统的金属氧化物半导体场效应晶体管(MOSFET)，其导通电流较大，但关断漏电也较大。

Banerjee表示：“由于这些的功率效率受到关断态泄漏的限制，我们的方法——使用关断态电流低得多的隧道晶体管——可以大大提高功率效率。”

当TFET集成到模拟神经元发射和复位的神经形态电路中时，TFET已证明其比最先进的MOSFET更节能，尤其是FinFET(一种采用垂直“鳍片”的MOSFET设计，可以更好地控制开关和泄漏)。

TFET仍处于实验阶段，但基于它们的神经形态电路的性能和能源效率使其成为下一代受脑启发计算的有希望的候选者。

据合著者VivekDe(英特尔院士)和MikeDavies(英特尔神经形态计算实验室主任)介绍，“一旦实现，该平台可以将的能耗降低到与人脑相差两个数量级以内——不考虑接口电路和内存存储元件。这比目前所能实现的水平有了显著的进步。”

最终，人们可以实现这些基于2D-TFET的神经形态电路的三维版本，从而更接近地模拟人类大脑，Banerjee补充道，他被广泛认为是3D集成电路背后的主要梦想家之一，而3D集成电路目前正在经历大规模的商业普及。