模拟人脑神经形态计算系统技术的出现，克服了现有冯·诺依曼计算方法功耗过大的局限性。为了实现使用大脑信息传输方法的半导体装置，需要一种能够表达各种突触连接强度的高性能模拟人工突触装置。当神经元产生峰值信号时，这种方法利用神经元之间传输的信号。
但是，考虑到作为人工突触广泛使用的传统变电阻记忆器件，当灯丝随着不同的电阻生长时，电场增大，产生反馈现象，导致灯丝快速生长。因此，在保持与灯丝类型相关的类似(渐进)电阻变化的同时实现相当大的可塑性是具有挑战性的。
韩国科学技术研究院(KIST院长尹锡镇)神经形态工程中心郑延周博士团队解决了记忆电阻器和神经形态半导体器件在模拟突触特性、可塑性和信息保存方面的长期障碍。
在一个研究发表在杂志上自然通讯，他透露开发了一种人工突触半导体装置，能够进行高度可靠的神经形态计算。
KIST研究小组对活性电极离子的氧化还原特性进行了细微调整，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问题。此外，还将各种过渡金属掺杂到突触装置中，控制活性电极离子的降低概率。研究发现，离子的高还原概率是高性能人工突触器件发展的一个关键变量。
因此，研究小组在现有的人工突触装置中引入了离子还原概率高的钛过渡金属。这维持了突触的模拟特性和生物大脑突触上的器件可塑性，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，其效率大约是它的50倍。
此外，由于掺杂钛过渡金属的高合金生成反应，与现有的人工突触装置相比，信息保留率提高了63倍。此外，大脑功能，包括长期增强和长期抑郁，可以更精确地模拟。
该团队使用开发的人工突触装置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。结果表明，与现有人工突触装置相比，错误率降低了60%以上;此外，手写图像模式(MNIST)识别准确率提高了69%以上。研究小组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。
KIST的郑博士说:“这项研究极大地提高了突触的运动范围和信息保存能力，而这正是现有突触模仿技术最大的技术障碍。”
“在开发的人工突触设备中，该设备的模拟操作区域表达了突触的各种连接强度，因此基于大脑模拟的人工智能计算的性能将得到提高。”
“此外，在后续研究中，我们将以开发的人工突触装置为基础，制造神经形态半导体芯片，实现高性能人工智能系统，从而进一步增强在国内系统和人工智能半导体领域的竞争力。”
