• 鼎丰娱乐
  • 鼎丰娱乐
  • 鼎丰娱乐
  • 鼎丰娱乐app
  • 鼎丰娱乐
  • 鼎丰娱乐
  • 鼎丰娱乐ע
  • 鼎丰娱乐¼
  • 鼎丰娱乐
  • 鼎丰娱乐Ƹ
  • 鼎丰娱乐淨
  • 鼎丰娱乐
  • 鼎丰娱乐ֱ
  • 鼎丰娱乐ֻ
  • 鼎丰娱乐԰
  • 鼎丰娱乐׿
  • 鼎丰娱乐Ƶ
  • 当前位置:鼎丰娱乐 > 安卓下载 > 正文

    如何构建一个硅脑?最先要有一块神经形态芯片
    时间:2019-06-23   作者:admin  点击数:

    选自TheScientist

    作者:SANDEEP RAVINDRAN

    参与:罗赛男、张倩

    \n 在用硅芯片模拟人类大脑的路上,科学家们已经做了一些尝试,但其速度和能耗都让人无法批准。因此,钻研者挑出用神经形态芯片代替传统芯片来完善这项艰巨的义务。神经形态芯片是受人脑启发创建的一栽芯片,具有速度快、能耗矮、可扩展能益处。本文详述了神经形态芯片的基本概念、上风、发展历程及近况。\n

    2012 年,计算机科学家 Dharmendra Modha 行使一台兴旺的超级计算机模拟了超过 5000 亿个神经元的运动,甚至比人脑中约 850 亿个神经元还要众。这是近十年做事的高潮,十年间,Modha 从模拟啮齿动物和猫的大脑发展到模拟人类周围的大脑。

    这一模拟消,耗了大量的计算资源--150 万个处理器和 1.5PB(150 万 GB)的内存,计算速度却仍比人脑慢 1500 倍,令人难以忍受。Modha 推想,要使其达到人脑的实时运走速度,必要 12 千兆瓦的能量,大约是胡佛水坝最大输出能力的 6 倍。

    「然而,这只是模拟大脑处理一幅卡通画所需的能量」,添州北部 IBM 阿尔马登钻研中间类脑计算首席科学家 Modha 说。这一模拟根,本无法复制人脑的功能,由于人脑行使的能量与一个 20 瓦的灯泡相等。

    自 21 世纪初以来,硬件的改进以及实验和理论神经体系科学的挺进使钻研人员能够创造出更大更详细的大脑模型。但是越复杂的模拟越容易受到传统计算机硬件的节制,正如 Modha 的耗能模型所表现的那样。

    Modha 的人脑模拟实验在劳伦斯利弗莫尔实验室中完善,运走于搭载蓝色基因 BlueGene/ Q 体系的 Sequoia 超级计算机之上,Sequoia 是一个传统计算机硬件的超强荟萃体:它由大量传统计算机芯片、含数。百万晶体管的指甲大幼的硅晶片驱动。控制传统计算机芯片结宣战功能的规则与吾们人类的大脑十足分歧。

    但原形上,计算机十足分歧于人类「思考」手段使得它们在进走数。值计算等义务时具有上风。而在其它周围,如理解人类说话或从经验中学习,计算机清晰落后于人类。倘若科学家想要模拟出一个能够与人类智能相媲美的大脑,他们能够必须从更好的构件——由人脑启发的计算机芯片(神经形态芯片)最先。

    所谓的神经形态芯片复制了大脑的结构——也就是说,它们行使相通于神经元行为电位的「神经元脉冲」相互交流。这栽脉冲走为批准芯片消,耗极少的能量,并且即使将之拼接成特意大周围的体系时,也能保持节能。

    「在吾望来,最大的上风是可扩展性」,安约略省滑铁卢大学的理论神经科学家 Chris Eliasmith 说。在他的《如何构建大脑》(How to Build a Brain)一书中,Eliasmith 描述了一个由他创建并命名为 Spaun 的功能性大脑的大周围模型。

    当 Eliasmith 运走 Spaun 的初首版本时,它有 250 万个「神经元」,即使这个模型运走在最好的传统芯片上,运走速度也比生物神经元慢 20 倍。「每当吾们添添几百万个神经元,它就会相答得再慢几十倍,」他说。

    但当 Eliasmith 在数。字神经形态硬件上进走一些模拟时,他发现它们不光速度快得众,而且能效高出 50 倍。甚至更好的是,随着 Eliasmith 模拟了更众的神经元,神经形态平台变得更有效。这是神经形态芯片旨在复制自然的手段之一,伪定大脑模型从蠕虫大脑的 300 个神经元扩大到人脑的 850 亿个神经元,大脑的能量和效果会按比例添添。

    神经形态芯片在实走复杂计算义务时消,耗极少的能量,这一能力已经引首了科技走业的关注。神经形态芯片的潜伏商业答用包括节能超级计算机、矮功率传感器和自学习机器人。但是生物学家想到一个分歧的答用:构建一个功能齐全的人类大脑复成品。

    神经形态硬件借鉴了动物神经体系的架构,议定相通于生物神经元行为电位的脉冲转发信号。这一特性使得硬件消,耗的能量更少,比在传统芯片上运走大脑模拟要快几个数。目级。

    图片由友尼森欧洲有限义务公司挑供;© 海德堡大学;英特尔公司;IBM 钻研院

    现今的很众神经形态体系,从 IBM 和英特尔开发的芯片到行为欧盟人脑计相反片面创建的两个芯片,都对能够长途访问,体系来运走模拟的钻研者盛开。钻研人员正在行使这些芯片来创建单个神经元和突触的详细模型,并译解如何将单元组相符在一首来创建更大的大脑子体系。

    这些芯片批准神经科学家测试关于视觉、听觉和嗅觉在实际硬件上做事原理的理论,而不光仅是在柔件上。最新的神经形态体系也使钻研人员能够最先复制人类思考和学习手段这一更具挑衅性的义务。

    现在还为前卫早,真切开发入神经形态芯片的潜力必要理论、实验和计算神经科学家以及计算机科学家和工程师的共同。竭力。但是最后的现在标是伟大的——那就是弄晓畅大脑的各个构成片面是如何共同。创造思维、感觉甚至认识的。

    英特尔神经形态计算实验室主任、计算机工程师 Mike Davies 外示:「对大脑进走反向工程是吾们能够承担的最壮志凌云的技术难题之一。」

    一概都离不开架构

    添州理工学院科学家 Carver Mead 于 20 世纪 80 年代创造了「神经形态」(neuromorphic)一词,此前他仔细到,与构成当代计算机芯片的数。字晶体管分歧,模拟晶体管更挨近于神经元的生物物理学特性。

    详细来说,模拟电路中特意微幼的电流——幼到电路实际上处于"关闭"状态——外现出的动力学相通于议定生物神经元通道但不会导致行为电位的离子流。

    被 Mead 和他同。事们的做事所吸引,20 世纪 90 年代中期,Giacomo Indiveri 决定在添州理工学院进走他的博士后钻研。现在,行为瑞士苏黎世大学的神经形态工程师,Indiveri 管理着为数。不众的几个不息行使 Mead 手段(即行使矮电流模拟电路)的钻研团队之一。

    Indiveri 和他的团队手工设计芯片的布局,这一过程能够必要几个月的时间。「这是用笔和纸完善的做事,由于吾们试图挑出柔美的解决方案以实现神经动力学,」他说。「倘若你做的是模拟电路,那么它在很大水平上照样是一门艺术。」

    一旦完善了布局,他们就会把设计议定电子邮件发给一家代工厂——与生产智能手机和电脑芯片具有相通精度的金属铸造厂。最后的芯片望首来大致就像一个智能手机芯片,但它的功能就像是议定几个节点传播电子脉冲的「神经元」网络。在这些模拟神经形态芯片中,信号通太甚歧强度的实际电压脉冲来转发。就像在大脑中,新闻是通太甚歧神经元脉冲时序来传递的相通。

    「倘若你向神经心理学家展现其中一个神经元的输出,他将无法通知你这是来自硅神经元照样来自生物神经元,」Indiveri 说。

    这些硅神经元代外了一栽复制人类神经体系的不完善尝试。生物神经元是模拟-数。字同。化体系;它们的行为电位模仿数。字硬件的离散脉冲,但它们也是模拟的,由于神经元中的电压电平影响被传输的新闻。

    模拟神经形态芯片具有与生物神经元的物理走为特意相通的硅神经元,但它们的模拟特性也使得传输的信号不那么精确。固然吾们的大脑已经进化出弥补其不精确片面的能力,但钻研人员已经将这一基本概念带入了数。字周围。

    IBM 和英特尔等公司凝神于数。字神经形态芯片,其硅神经元复制具有分歧物理特性的新闻在生物神经元中的起伏手段,其因为与传统数。字芯片统领吾们绝大无数。计算机和电子产品的因为相通——它们具有更高的郑重性并且易于制造。

    照片由友尼森欧洲有限义务公司挑供

    构建模块:每个 SpiNNaker 芯片与内存(左上角)封装在一首,然后拼接成更大的设备,如右上角的 48 节点板。众个板能够连接在一首,形成更大的 SpiNNaker 体系(如上)

    但是这些数。字芯片遵命捕获到的大脑的架构来维持它们的神经形态状态。在这些数。字神经形态芯片中,脉冲以新闻包的样式展现,而不是实际的电压脉冲转折。英特尔的 Davies 外示:「这与吾们清淡在计算机上设计的任何东西都大不相通。」

    不论脉冲采用何栽样式,该体系只在输入达到某个阈值时传递新闻,批准神经形态芯片每次小批而不是大量消,耗能量。这相通于大脑神经元在它们准备好时而不是在准时器的命令下进走通信的手段。另一方面,传统芯片大众是线性的,数。据穿梭于存储数。据的内存硬件和由厉格内部时钟控制进走数。据计算的处理器之间。

    当 Modha 设计 IBM 的神经形态芯片 TrueNorth 时,他最先分析了大脑的长距离接线图,这些图描绘了猕猴和人类大脑分歧区域之间的连接情况。「它真切最先通知吾们相关长距离连通性、短距离连通性,以及神经元和突触动态的新闻,」他说。

    到 2011 年,Modha 发明了一栽含有 256 个硅神经元的芯片,其周围与线虫的大脑相通。行使最新的芯片制造技术,Modha 将神经元封装得更紧,以缩幼芯片尺寸,并将 4096 个云云的芯片拼接在一首,才有了 2014 年 TrueNorth 的发布。TrueNorth 包含 100 万个相符成神经元——相等于一个蜜蜂大脑的周围——消,耗的能量比传统芯片少几百倍

    神经形态学芯片(如 TrueNorth)在其人工神经元之间具有特意高的连通性,相通于在哺乳动物的大脑中望到的那样。大周围并走处理的人脑的 850 亿个神经元议定大约 1 千万亿个突触高度互联。

    TrueNorth 要浅易得众——它包含 2.56 亿个「突触」,连接着 100 万个神经元——但是议定将众个 TrueNorth 芯片拼接在一首,Modha 创造了两个更大的体系: 一个模拟了 1600 万个神经元和 40 亿个突触,另一个模拟了 6400 万个神经元和 160 亿个突触。现在,超过 200 名来自分歧机构的钻研人员能够免费行使 TrueNorth。

    除了高度互联性和脉冲特性,神经形态芯片还复制了生物神经体系的另一个特征: 传统的计算机芯片将处理器和内存松散在分歧的位置,但神经形态芯片往往有很众微型处理器,每个微型处理器都有小批的片面存储器。

    这栽结构相通于人脑的构造,神经元同。时进走数。据存储和处理。钻研人员认为,这栽神经形态架构要素能够使得这些芯片竖立的模型更好地复制人类的学习和记。忆。

    学习能力是英特尔 Loihi 芯片的一个焦点,该芯片于 2017 年 9 月首次发布,并于往年 1 月与钻研人员共享。

    为了模拟大约 13 万个神经元和 1.3 亿个突触,Loihi 引入了脉冲时间相关的突触可塑性模型 (STDP),这是一栽议定突触前和突触后脉冲相对时间在大脑中调节突触强度的机制。

    倘若一个神经元在第二个神经元之前触发,那么它与第二个神经元的连接就会添强,而倘若触发挨次颠倒,连接强度就会削弱。这些突触强度的转折被认为在人类大脑的学习和记。忆中首偏主要作用。

    负责 Loihi 开发的 Davies 外示,钻研人员的现在标是捕获人类大脑拿手而现在人工智能模型不拿手的迅速终身学习过程。像 TrueNorth 相通,Loihi 是分布式的,供分歧钻研人员行使。

    随着越来越众的钻研团队行使这些芯片来模拟大脑,Davies 说,「期待一些更普及的原理能够更晓畅地注释吾们在大脑中望到的一些惊人能力。」

    神经体系科学中的神经形态学

    对于所有潜伏的科学答用而言,TrueNorth 和 Loihi 并不是特意为神经科学家构建的。他们主要是钻研芯片,旨在测试和优化神经形态结构,以挑高其能力和易用性,以及追求各栽潜伏的商业答用,从语音和手势识别到节能机器人以及可为智能手机和自动驾驶汽车挑供动力的设备上机器学习模型。

    另一方面,欧盟的人类大脑计划(Human Brain Project)已经开发了两个神经形态硬件体系,其清晰现在标是理解大脑。

    BrainScaleS 于 2016 年推出,它将很众芯片组相符在大型硅晶片上,更像是超薄飞盘而不是指甲。每个晶片包含 384 个模拟芯片,它们运走首来相等于添强版的 Indiveri 的模拟芯片,是为挑高速度而不是降矮功耗而优化的。每个晶片上统统模拟了大约 200,000 个神经元和 49,000,000 个突触。

    行为欧盟人类大脑计划的一片面,BrainScaleS 和神经形态体系 SpiNNaker 都受好于这一计划,这一计划背后有着很众理论、实验、计算神经科学家构成的大型社区。与这个社区的互动引导着新功能的添添,这能够对科学家有所协助,并批准从两个体系中得到的新发现迅速反馈回该周围。

    英国曼彻斯特大学的计算机工程师 Steve Furber 在 20 年前构想出了 SpiNNaker,他已经设计了超过 10 年。在 SpiNNaker 幼型数。字基础芯片上艰难追求 6 年之后,Furber 说,他和他的同。事们在 2011 年实现了所有功能。

    自那以后,钻研幼组不息在将这些芯片拼装成周围更大的机器,以 2018 岁暮开启的拥有百万处理器的机器告终。Furber 展望 SpiNNaker 答该能够实时模拟老鼠大脑中的 1 亿个神经元——而传统超级计算机做到这一点速度要慢 1 千倍旁边。

    现在,欧盟人脑计划体系免费向学术钻研实验室盛开。神经科学家最先在 SpiNNaker 硬件上运走他们本身的程序,以模拟大脑特定子体系的高级处理过程,如幼脑、皮质或基底神经节。

    例如,钻研人员正在试图模拟一个幼的重复结构单元——皮质微柱,该微柱位于大脑外层,负责大无数。高级功能。「微柱很幼,但是它照样有 8 万个神经元和 2.5 亿个突触,以是建模这个微柱并不是一项幼工程,」Furber 说。

    接下来,他添添到,「与仅从个体大脑区域着手相背,吾们最先想从体系级创建」,逐渐挨近为人类智力挑供动力的含 850 亿个神经元的人脑的全尺寸模型。

    模拟大脑

    行使神经形态硬件对大脑进走建模能够展现神经元计算的基本原理,达特茅斯学院的计算神经科学家 Richard Granger 说。神经科学家能够特意详细地测量神经元的生物物理和化学特性,但是很难晓畅这些特性中的哪些对大脑的计算能力真的主要。固然神经形态芯片中行使的原料与人脑的细胞物质十足分歧,但行使这栽新硬件的模型能够展现大脑传递和评估新闻的计算原理。

    在硅中复制浅易的神经电路协助 Indiveri 发现了大脑设计的潜伏收好。他曾经给一个博士生一个神经形态芯片,该芯片能够模拟脉冲频率适答,这栽机制使人类民俗于恒定的刺激。

    由于在芯片上压缩了空间,弟子决定不实现这个功能。然而,当竭力降矮芯片的带宽和功率请求时,他最后得到了一些望首来与他移除的脉冲频率适答相通的东西。

    Indiver 和他的同。事们还发现,长距离发送模拟信号的最好手段不是将它们外示为不息可变的流,而是像神经元相通,将它们外示为一系列脉冲信号。「倘若你想最幼化能量和带宽,神经元所行使的技术被表明是传输信号的最好技术,」Indiveri 说。

    神经形态硬件也能够让钻研人员测试他们关于大脑功能的理论。康奈尔大学的计算神经科学家 Thomas Cleland 竖立了嗅球模型来阐明撑持吾们嗅觉的原理。行使 Loihi 芯片使他能够竖立有余快的硬件模型以模拟生物。

    当从化学传感器(吾们的气味感受器的人工版本)给定数。据,体系在只接触到一个样本后就学会了识别气味,超过了传统的机器学习手段,并且更挨近人类的卓异嗅觉。

    「议定成功地映射相通的东西,并在神经形态芯片上表现它的做事情况,是你实在理解了这个体系的很好的表明」,Davies 说。

    Cleland 的嗅觉模型并不总是像预期的那样有效,但那些「战败」的实验同。样具有启发性。传感器授与到的气味输入意外与模型展望的效果分歧,能够是由于气味比预期的更复杂或更具噪声,或者是由于温度或湿度作梗了传感器。

    「输入新闻有点不靠谱,吾们晓畅这并不及骗过吾们的鼻子,」他说。钻研人员发现,议定仔细昔时无视的气味输入中的「噪声」,嗅觉体系模型能够正确地检测到更普及的输入。钻研效果使 Cleland 更新了他的嗅觉模型,钻研人员现在能够不悦目察生物体系,望望它们是否行使这栽昔时未知的技术来识别复杂或含有噪声的气味。

    Cleland 期待扩大他的模型周围,这个模型运走在生物实时环境中,分析来自成百甚至上千个传感器的气味数。据,这些数。据能够必要几天时间才能在非神经形态硬件上运走。「只要吾们能把算法放到神经形态芯片上,那么后者的可扩展性就特意好」,他说。「对吾来说,最令人高昂的事情是能够运走这 16000 个传感器的数。据集,望望当吾们扩大模型周围时,算法会有众好。」

    SpiNNaker、 TrueNorth 和 Loihi 都能以与生物相通的速度对神经元和大脑进走模拟,这意味着钻研人员能够行使这些芯片识别刺激——如图像、手势或声音——当它们显。眼前,立即处理和回答它们。

    除了批准 Cleland 的人工鼻子处理气味之外,这些能力还能够使机器人在消,耗很少能源的情况下实时感知并对环境做出反答。对大无数。传统计算机而言,这是一个重大的挺进。

    对于某些答用,例如能够必要数。周、数。月甚至数。年才能完善的建模学习过程,这有助于挑高速度。这就是 BrainScaleS 的用武之地,它的运转速度比生物大脑快 1000-10000 倍。而且这个体系只会越来越先辈。随着与神经科学家们亲昵配相符开发新的处理器,它正在被升级为 BrainScaleS2。

    这个新体系将能够更好地模拟学习和建模化学过程,比如众巴胺对学习的影响,这是其他神经形态体系无法复制的。钻研人员说,它还能够建模各栽神经元、树突和离子通道,以及结构可塑性的特征,如突触的亏损和添长。

    能够有镇日,这个体系甚至能够挨近人类的学习和智力。海德堡大学的生物物理学家 Johannes Schemmel 说:「吾认为,理解生物智能是本世纪最大的题目。」

    现在的人工智能体系在变通性和学习能力方面照样落后于大脑。Furber 说:「谷歌的神经网络在望过一千万张猫的图片之后才拿手识别出猫,但是倘若你给吾两岁的孙子只望一张猫的图片,他就能一辈子都认得猫了。」

    随着今年晚些时候 Loihi 计划的推出,Eliasmith 期待能够为他的 Spaun 模型添添更高层次的认知和学习走为。他说他稀奇高昂的是尝试实在建模人类如何迅速且容易地学习一项认知义务,比如一个新的棋盘游玩。像 AlphaGo 云云著名的人工智能游玩玩家必须建模数。以百万计的围棋棋局才能学会如何下好。

    现在还不晓畅复制人类智能是否仅仅是竖立更大更详细的大脑模型的题目。「吾们不晓畅吾们理解大脑的手段是否存在某栽根,本性的弱点,」Eliasmith 说。「吾们不晓畅吾们能走众远,直到吾们有更好的硬件能够实时运走这些具有数。以亿计的神经元的模型」他说,「吾认为神经形态学能协助吾们达到这个现在标。」

    参考文献

    1. C. Eliasmith et al.,「A large-scale model of the functioning brain,」Science, 338:1202–05, 2012.

    2. D.S. Modha, R. Singh,「Network architecture of the long-distance pathways in the macaque brain,」PNAS, 107:13485–90, 2010.

    3. P.A. Merolla et al.「A million spiking-neuron integrated circuit with a scalable communication network and interface,」Science, 345:668–73, 2014.

    4. M. Davies et al.「Loihi: A neuromorphic manycore processor with on-chip learning,」IEEE Micro, 38:82–99, 2018.

    5. J. Schemmel et al.,「A wafer-scale neuromorphic hardware system for large-scale neural modeling,」Proc 2010 IEEE Int Symp Circ Sys, 2010.

    6. S.B. Furber et al.,「The SpiNNaker Project,」Proc IEEE, 102:652–65, 2014.

      热点文章

      最新发布

      友情链接