會員登錄
人工智能技術的進步正促使仿人腦生物學的神經網絡發展。 （圖片來源：KAUST）
將模仿大腦生物學的神經網絡加載到微芯片上，我們(men) 可以實現更快，更高效的人工智能。
微芯片上的仿生神經網絡“尖峰”為(wei) KAUST的研究人員開發基於(yu) 硬件、更高效的人工智能計算係統奠定了基礎。
圖片來源：Pixabay
人工智能技術發展迅速，其中包括高級自動化，數據挖掘和數據解析，醫療保健和市場營銷等眾(zhong) 多新應用。這樣的係統基於(yu) 由決(jue) 策節點層組成的數學人工神經網絡（ANN）。標記好的數據首先被饋送到係統中，“訓練”模型以某種方式做出響應，然後確定決(jue) 策規則，並在標準計算硬件上投入使用該模型。
盡管這是一個(ge) 有效的方法，但與(yu) 構成我們(men) 大腦的複雜且功能強大效率更高的神經網絡相比，這個(ge) 方法也顯得笨拙。
“人工神經網絡是一種抽象的、需要強大的計算能力的數學模型，它與(yu) 真實的神經係統相似性了了。”研究小組的博士生Wenzhe Guo說道，“但在另一方麵，神經網絡的構造和工作方式與(yu) 生物神經係統又有相同之處，它可以以更快、更經濟的方式處理信息。”
圖片來源：Pixabay
尖峰神經網絡（SNNs）將神經係統的結構模擬為(wei) 突觸網絡，通過離子通道，以動作電位或者脈衝(chong) 的形式傳(chuan) 輸信息。這種事件驅動的行為(wei) 在數學中被稱為(wei) leaky integrate-and-fire模型，使得SNN具有很高的效率。另外互聯的節點結構提供了高度的並行化，進一步提高處理能力和效率，這一構架同樣適合在計算機硬件中以神經芯片的形式直接實現。
Guo說：“我們(men) 使用了標準的低成本FPGA芯片，並實現了依賴於(yu) 脈衝(chong) 時序的可塑性模型，這是在我們(men) 大腦中發現的一種生物學習(xi) 規則。”
重要的是，這種生物學模型不需要任何輸入信號或標簽，神經形態計算係統無需經過訓練即可學習(xi) 現實世界的數據模式。
Guo說：“由於(yu) SNN模型非常複雜，我們(men) 麵臨(lin) 的主要挑戰是如何對神經網絡進行設置以獲得最佳的性能。於(yu) 是我們(men) 在成本，速度和能耗之間取得相對的平衡，從(cong) 而設計出了最佳的硬件架構。”
與(yu) 其他神經網絡平台相比，Guo的團隊的“芯片大腦”速度提高了20倍以上，能源效率提高了200倍。
“我們(men) 的最終目標是研發一個(ge) 小巧、高速、低能耗的，類似於(yu) 人腦的硬件計算係統。下一步是改進設計，優(you) 化產(chan) 品封裝，使芯片小型化，並針對各種工業(ye) 應用進行定製。”Guo說。
翻譯：彭琛
審校：董子晨曦
引進來源：阿卜杜拉國王科技大學
關(guan) 注【深圳科普】微信公眾(zhong) 號，在對話框：
回複【最新活動】，了解近期科普活動
回複【科普行】，了解最新深圳科普行活動
回複【研學營】，了解最新科普研學營
回複【科普課堂】，了解最新科普課堂
回複【科普書(shu) 籍】，了解最新科普書(shu) 籍
回複【團體(ti) 定製】，了解最新團體(ti) 定製活動
回複【科普基地】，了解深圳科普基地詳情
回複【觀鳥星空体育官网入口网站】，學習(xi) 觀鳥相關(guan) 科普星空体育官网入口网站
回複【博物學院】，了解更多博物學院活動詳情
- 參加最新科普活動
- 認識科普小朋友
- 成為科學小記者
