www.design-reuse-china.com
搜索,选择,比较,与提供商进行安全高效的联系
Design & Reuse We Chat
D&R中国官方微信公众号,
关注获取最新IP SOC业界资讯

Producing stronger AI, scientists are committed to solving the mystery of human brain computing

作者:Rick Merritt, May. 19, 2019 – 

美国史丹佛大学(Stanford)教授Kwabena Boahen相信,更厉害的人工智能(AI)即将来临。他是数十位正在以人类大脑为模型开发芯片的研究学者之一,这种芯片号称能提供比目前的处理器更高几个等级的运算性能,功耗却更低。

Boahen最新的开发成果Braindrop除了在能源效益上胜过Nvidia的Tesla GPU,也超越其他研究机构的类似处理器;他已经着手为开发下一代可望有更高性能的芯片寻找资金,可能会采用Globalfoundries的铁电场效晶体管FET (ferroelectric FETs)工艺。

这类所谓的神经形态(neuromorphic)芯片面临的一大问题,是缺乏了某个关键元素──研究人员相信他们已经了解大脑用以运算的模拟处理,以及用来在神经元之间有效沟通的棘波神经网络(spiking neural network)机制,但他们不知道的是大脑如何学习。

那会是算法中非常重要的一个部份,却仍然缺失。像是Boahen等研究人员都因为数个不错的线索指出的发展路线感到乐观与热衷,但他们缺乏倒传递(back-propagation,或简写为backprop)的方程式。

在深度学习相关领域中,倒传递是训练过程的核心,速度非常缓慢而且需要昂贵的CPU、GPU资源,以及大量脱机运作内存;但这种算法可以在广泛的图形识别问题上提供出色结果。研究人员表示,倒传递与深度学习所遭遇的问题在于是"人工"的,并非以大脑的神经元以及等同于将超级计算机等级运算任务以35W电源来执行的机制为模型,Boahen在接受EE Times访问时表示:"在这个领域有非常大的机会,有很多在云端执行的应用有大量会产生延迟的需求,都不是使用深度学习网络。"

举例来说,神经形态芯片能实时监控并分析桥梁的震动,却仅需能量采集器提供的几微瓦(microwatt)电力,只在人类需要采取行动时进行通讯;"我们应该思考,我们如何能让所有的任务──不只是云端服务──都能利用神经系统。"

Boahen的乐观在最近一场于美国纽约州举行的技术研讨会(Neuro Inspired Computational Elements Workshop,NICE 2019)上获得了众多该领域顶尖研究学者的回响。如英特尔(Intel)的神经形态运算实验室负责人Mike Davies就表示:"我们希望能拓展我们能执行的运算种类范围,有很多在大脑中完成的有趣运算,并不在深度学习的范围内。"

Davis在该场研讨会的演说中指出:"深度学习所使用的只是神经元的粗略近似物,但因为倒传递算法支持脱机训练,所以很有用。这不是神经激发概念,而是一种随机梯度下降法(stochastic gradient descent),但运作成果相当好。"

英特尔研究人员正在利用其14纳米Loihi研究芯片来改善神经形态运算;这种主要是数字逻辑的芯片内含12万8,000个神经元,该公司打算在6月推出内含768颗该芯片的5U系统。

Davies提及能实现以棘波神经网络进行训练的三种具潜力方法的研发工作,也乐观表示英特尔很快就能找到他们已经在Loihi芯片上执行的、训练某个版本长短期记忆(LSTM)神经网络的方法;"我们要研究人员利用该芯片研发算法以及其可编程性的基础问题,"在此同时,英特尔继续改善该研究芯片架构,以削减其因为整合了运算与内存的相对较高成本。

除了以上研究成果,德国海德堡大学(Heidelberg University)的研究人员已利用了晶圆级整合技术打造其BrainScales组件;他们正在为预计明年发表的第二代芯片添加可编程核心,以模仿大脑的可塑性。

IBM的半导体与AI研究副总裁Mukesh Khare则透露,该公司正在研发结合模拟核心与非挥发性内存的芯片,以交叉点数组(crosspoint arrays)储存权重。他在上述的技术研讨会上对听众表示:"运算的未来是位、神经元与量子位(qubits)。"

使用忆阻器(memristor)数组也是一个被广泛研究的方案。资深研究人员Steve Furber介绍了号称全球最大的棘波神经网络系统Spinnaker,位于英国曼彻斯特大学(University of Manchester),在11个机柜里包含了上百万颗的Arm处理器核心,是欧洲为人脑研究项目(Human Brain Project)设置的众多系统之一,主要用来执行神经科学应用程序。

不过Fuber在演说中表示,为了因应打造人脑功能实际模型的挑战如此艰巨,除了Spinnaker本身的例行除错,没有任何一种应用程序会用到该系统10%以上的资源;"人脑仍然是最前沿的科学研究之一,我们基本上仍不了解我们的脑袋里正在发生的信息处理原则。"

 Back

业务合作

广告发布

访问我们的广告选项

添加产品

供应商免费录入产品信息

© 2023 Design And Reuse

版权所有

本网站的任何部分未经Design&Reuse许可,
不得复制,重发, 转载或以其他方式使用。