模仿人脑的神经拟态计算系统技术应运而生，克服了现有冯诺依曼计算方法功耗过大的局限。实现使用大脑信息传输方法的半导体器件需要一种能表达各种突触连接强度的高性能模拟人工突触装置。当神经元产生尖峰信号时，这种方法使用神经元之间传输的信号。

　　KIST团队微调了活性电极离子的氧化还原特性，以解决阻碍现有神经形态半导体器件性能的小突触可塑性。研究团队在突触装置中掺杂和使用各种过渡金属，以控制活性电极离子的还原概率。研究发现，离子的高还原概率是开发高性能人工突触装置的关键变量。

　　因此，研究团队将具有高离子还原概率的钛过渡金属引入现有的人工突触装置中。这保持了突触的模拟特性和生物大脑突触处的设备可塑性，大约是高电阻和低电阻之间差异的5倍。此外，他们开发了一种高性能的神经形态半导体，其效率大约提高了50倍。

　　此外，由于掺杂钛过渡金属的高合金形成反应性，与现有的人工突触装置相比，信息保留率提高了63倍。此外，包括长期增强和长期抑郁的大脑功能可更精确地模拟。

　　该团队使用开发的人工突触设备实现了人工神经网络学习模式，并尝试了人工智能图像识别学习。结果，与现有的人工突触装置相比，错误率降低了60%以上；此外，手写图像模式识别准确率提高了69%以上。研究团队通过这种改进的人工突触装置证实了高性能神经形态计算系统的可行性。

　　研究人员表示，这项研究极大地改善了突触的运动范围和信息保存，这是现有突触模拟的最大技术障碍。新开发的人工突触装置表达突触各种连接强度的模拟运算区域得到了最大化，因此基于大脑模拟的人工智能计算的性能将得到提升。