首页 优德88下载正文

w88优德中文手机版_w88988优德官方网站_w88中文版

admin 优德88下载 2019-06-12 156 0

选自 TheScientist

作者:SANDEEP RAVINDRAN

参加:罗赛男、张倩

在用硅芯片仿照人类大脑的路上,科学家们现已做了一些测验,但其速度和能耗都让人无法承受。因而,研讨者提出用神经形状芯片替代传统芯片来完结这项艰巨的使命。神经形状芯片是受人脑启示创立的一种芯片,具有速度快、能耗低、可扩展能长处。本文胪陈了神经形状芯片的基本概念、优势、开展进程及现状。

2012 年,核算机科学家 Dharmendra Modha 运用一台强壮的超级核算机仿照了超越 5000 亿个神经元的活动,乃至比人脑中约 850 亿个神经元还要多。这是近十年作业的高潮,十年间,Modha 从仿照啮齿动物和猫的大脑开展到仿照人类规划的大脑。

这一仿照耗费了很多的核算资源--150 万个处理器和 1.5PB(150 万 GB)的内存,核算速度却仍比人脑慢 1500 倍,令人难以忍受。Modha 估量,要使其到达人脑的实时工作速度,需求 12 千兆瓦的能量,大约是胡佛塘坝最大输出才干的 6 倍。

「可是,这仅仅仿照大脑处理一幅卡通画所需的能量」,加州北部 IBM 阿尔马登研讨中心类脑核算首席科学家 Modha 说。这一仿照底子无法仿制人脑的功用,因为人脑运用的能量与一个 20 瓦的灯泡适当。

自 21 世纪初以来,硬件的改善以及试验和理论神经体系科学的前进使研讨人员可以发明出更大更具体的大脑模型。可是越杂乱的仿照越简略遭到传统核算机硬件的约束,正如 Modha 的耗能模型所展现的那样。

Modha 的人脑仿照试验在劳伦斯利弗莫尔试验室中完结,工作于搭载蓝色基因 BlueGene/ Q 体系的 Sequoia 超级核算机之上,Sequoia 是一个传统核算机硬件的超强集合体:它由很多传统核算机芯片、含数百万晶体管的指甲巨细的硅晶片驱动。操控传统核算机芯片结构和功用的规矩与咱们人类的大脑彻底不同。

但事实上,核算机彻底不同于人类「考虑」办法使得它们在进行数值核算等使命时具有优势。而在其它范畴,如了解人类言语或从经历中学习,核算机显着落后于人类。假如科学家想要仿照出一个可以与人类智能相媲美的大脑,他们或许有必要从更好的构件——由人脑启示的核算机芯片(神经形状芯片)开端。

所谓的神经形状芯片仿制了大脑的结构——也便是说,它们运用相似于神经元动作电位的「神经元脉冲」彼此沟通。这种脉冲行为答应芯片耗费很少的能量,并且即便将之拼接成十分大规划的体系时,也能坚持节能。

「在我看来,最大的优势是可扩展性」,安大略省滑铁卢大学的理论神经科学家 Chris Eliasmith 说。在他的《怎么构建大脑》(How to Build a Brain)一书中,Eliasmith 描绘了一个由他创立并命名为 Spaun 的功用性大脑的大规划模型。

当 Eliasmith 工作 Spaun 的初始版别时,它有 250 万个「神经元」,即便这个模型工作在最好的传统芯片上,工作速度也比生物神经元慢 20 倍。「每逢咱们添加几百万个神经元,它就会相应得再慢几十倍,」他说。

但当 Eliasmith 在数字神经形状硬件上进行一些仿照时,他发现它们不只速度快得多,并且能效高出 50 倍。乃至更好的是,跟着 Eliasmith 仿照了更多的神经元,神经形状渠道变得更有用。这是神经形状芯片旨在仿制天然的办法之一,假定大脑模型从蠕虫大脑的 300 个神经元扩展到人脑的 850 亿个神经元,大脑的能量和功率会按份额添加。

神经形状芯片在履行杂乱核算使命时耗费很少的能量,这一才干现已引起了科技职业的重视。神经形状芯片的潜在商业运用包括节能超级核算机、低功率传感器和自学习机器人。可是生物学家想到一个不同的运用:构建一个功用齐备的人类大脑仿制品。

神经形状硬件学习了动物神经体系的架构,经过相似于生物神经元动作电位的脉冲转发信号。这一特性使得硬件耗费的能量更少,比在传统芯片上工作大脑仿照要快几个数量级。

图片由友尼森欧洲有限责任公司供给;© 海德堡大学;英特尔公司;IBM 研讨院

如今的许多神经形状体系,从 IBM 和英特尔开发的芯片到作为欧盟人脑方案一部分创立的两个芯片,都对可以长途拜访体系来工作仿照的研讨者敞开。研讨人员正在运用这些芯片来创立单个神经元和突触的具体模型,并译解怎么将单元组合在一起来创立更大的大脑子体系。

这些芯片答应神经科学家测验关于视觉、听觉和嗅觉在实践硬件上作业原理的理论,而不只仅是在软件上。最新的神经形状体系也使研讨人员可以开端仿制人类考虑和学习办法这一更具挑战性的使命。

现在还为时尚早,真实开发出神经形状芯片的潜力需求理论、试验和核算神经科学家以及核算机科学家和工程师的一起尽力。可是终究的方针是雄伟的——那便是弄清楚大脑的各个组成部分是怎么一起发明思维、感觉乃至认识的。

英特尔神经形状核算试验室主任、核算机工程师 Mike Davies 表明:「对大脑进行逆向工程是咱们可以承当的最雄心壮志的技能难题之一。」

一切都离不开架构

加州理工学院科学家 Carver Mead 于 20 世纪 80 时代发明晰「神经形状」(neuromorphic)一词,此前他留意到,与构成现代核算机芯片的数字晶体管不同,仿照晶体管更挨近于神经元的生物物理学特性。

具体来说,仿照电路中十分细小的电流——小到电路实践上处于"封闭"状况——表现出的动力学相似于经过生物神经元通道但不会导致动作电位的离子流。

被 Mead 和他搭档们的作业所招引,20 世纪 90 时代中期,Giacomo Indiveri 决议在加州理工学院进行他的博士后研讨。现在,作为瑞士苏黎世大学的神经形状工程师,Indiveri 办理着为数不多的几个持续运用 Mead 办法(即运用低电流仿照电路)的研讨团队之一。

Indiveri 和他的团队手艺规划芯片的布局,这一进程或许需求几个月的时刻。「这是用笔和纸完结的作业,因为咱们企图提出高雅的解决方案以完结神经动力学,」他说。「假如你做的是仿照电路,那么它在很大程度上依然是一门艺术。」

一旦完结了布局,他们就会把规划经过电子邮件发给一家代工厂——与出产智能手机和电脑芯片具有相同精度的金属铸造厂。终究的芯片看起来大致就像一个智能手机芯片,但它的功用就像是经过几个节点传达电子脉冲的「神经元」网络。在这些仿照神经形状芯片中,信号经过不同强度的实践电压脉冲来转发。就像在大脑中,信息是经过不同神经元脉冲时序来传递的相同。

「假如你向神经生理学家展现其间一个神经元的输出,他将无法告知你这是来自硅神经元仍是来自生物神经元,」Indiveri 说。

这些硅神经元代表了一种仿制人类神经体系的不完美测验。生物神经元是仿照-数字混合体系;它们的动作电位仿照数字硬件的离散脉冲,但它们也是仿照的,因为神经元中的电压电平影响被传输的信息。

仿照神经形状芯片具有与生物神经元的物理行为十分相似的硅神经元,但它们的仿照特性也使得传输的信号不那么精确。尽管咱们的大脑现已进化出补偿其不精确部分的才干,但研讨人员现已将这一基本概念带入了数字范畴。

IBM 和英特尔等公司专心于数字神经形状芯片,其硅神经元仿制具有不同物理特性的信息在生物神经元中的活动办法,其原因与传统数字芯片统领咱们绝大多数核算机和电子产品的原因相同——它们具有更高的可靠性并且易于制作。

相片由友尼森欧洲有限责任公司供给

构建模块:每个 SpiNNaker 芯片与内存(左上角)封装在一起,然后拼接成更大的设备,如右上角的 48 节点板。多个板可以衔接在一起,构成更大的 SpiNNaker 体系(如上)

可是这些数字芯片依照捕获到的大脑的架构来保持它们的神经形状状况。在这些数字神经形状芯片中,脉冲以信息包的方法呈现,而不是实践的电压脉冲改变。英特尔的 Davies 表明:「这与咱们通常在核算机上规划的任何东西都大不相同。」

不管脉冲选用何种方法,该体系只在输入到达某个阈值时传递信息,答应神经形状芯片每次少数而不是很多耗费能量。这相似于大脑神经元在它们准备好时而不是在定时器的指令下进行通讯的办法。另一方面,传统芯片大多是线性的,数据络绎于存储数据的内存硬件和由严厉内部时钟操控进行数据核算的处理器之间。

当 Modha 规划 IBM 的神经形状芯片 TrueNorth 时,他首要剖析了大脑的长距离接线图,这些图描绘了猕猴和人类大脑不同区域之间的衔接状况。「它真实开端告知咱们有关长距离连通性、短距离连通性,以及神经元和突触动态的信息,」他说。

到 2011 年,Modha 发明晰一种含有 256 个硅神经元的芯片,其规划与线虫的大脑相同。运用最新的芯片制作技能,Modha 将神经元封装得更紧,以缩小芯片尺度,并将 4096 个这样的芯片拼接在一起,才有了 2014 年 TrueNorth 的发布。TrueNorth 包括 100 万个组成神经元——适当于一个蜜蜂大脑的规划——耗费的能量比传统芯片少几百倍

神经形状学芯片(如 TrueNorth)在其人工神经元之间具有十分高的连通性,相似于在哺乳动物的大脑中看到的那样。大规划并行处理的人脑的 850 亿个神经元经过大约 1 千万亿个突触高度互联。

TrueNorth 要简略得多——它包括 2.56 亿个「突触」,衔接着 100 万个神经元——可是经过将多个 TrueNorth 芯片拼接在一起,Modha 发明晰两个更大的体系: 一个仿照了 1600 万个神经元和 40 亿个突触,另一个仿照了 6400 万个神经元和 160 亿个突触。现在,超越 200 名来自不同安排的研讨人员可以免费运用 TrueNorth。

除了高度互联性和脉冲特性,神经形状芯片还仿制了生物神经体系的另一个特征: 传统的核算机芯片将处理器和内存涣散在不同的方位,但神经形状芯片往往有许多微型处理器,每个微型处理器都有少数的部分存储器。

这种结构相似于人脑的安排,神经元一起进行数据存储和处理。研讨人员以为,这种神经形状架构要素可以使得这些芯片树立的模型更好地仿制人类的学习和记忆。

学习才干是英特尔 Loihi 芯片的一个焦点,该芯片于 2017 年 9 月初次发布,并于上一年 1 月与研讨人员同享。

为了仿照大约 13 万个神经元和 1.3 亿个突触,Loihi 引入了脉冲时刻相关的突触可塑性模型 (STDP),这是一种经过突触前和突触后脉冲相对时刻在大脑中调理突触强度的机制。

假如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衔接就会增强,而假如触发次序倒置,衔接强度就会削弱。这些突触强度的改变被以为在人类大脑的学习和记忆中起着重要作用。

担任 Loihi 开发的 Davies 表明,研讨人员的意图是捕获人类大脑拿手而当时人工智能模型不拿手的快速终身学习进程。像 TrueNorth 相同,Loihi 是分布式的,供不同研讨人员运用。

跟着越来越多的研讨团队运用这些芯片来仿照大脑,Davies 说,「期望一些更广泛的原理可以更清楚地解说咱们在大脑中看到的一些惊人才干。」

神经体系科学中的神经形状学

关于一切潜在的科学运用而言,TrueNorth 和 Loihi 并不是专门为神经科学家构建的。他们主要是研讨芯片,旨在测验和优化神经形状结构,以前进其才干和易用性,以及探究各种潜在的商业运用,从语音和手势辨认到节能机器人以及可为智能手机和自动驾驶轿车供给动力的设备上机器学习模型。

另一方面,欧盟的人类大脑方案(Human Brain Project)现已开发了两个神经形状硬件体系,其清晰方针是了解大脑。

BrainScaleS 于 2016 年推出,它将许多芯片组合在大型硅晶片上,更像是超薄飞盘而不是指甲。每个晶片包括 384 个仿照芯片,它们工作起来适当于增强版的 Indiveri 的仿照芯片,是为前进速度而不是下降功耗而优化的。每个晶片上一共仿照了大约 200,000 个神经元和 49,000,000 个突触。

作为欧盟人类大脑方案的一部分,BrainScaleS 和神经形状体系 SpiNNaker 都获益于这一方案,这一方案背面有着许多理论、试验、核算神经科学家组成的大型社区。与这个社区的互动引导着新功用的添加,这或许对科学家有所协助,并答应从两个别系中得到的新发现快速反响回该范畴。

英国曼彻斯特大学的核算机工程师 Steve Furber 在 20 年前设想出了 SpiNNaker,他现已规划了超越 10 年。在 SpiNNaker 小型数字根底芯片上困难探究 6 年之后,Furber 说,他和他的搭档们在 2011 年完结了一切功用。

自那今后,研讨小组一直在将这些芯片组装成规划更大的机器,以 2018 年底敞开的具有百万处理器的机器告终。Furber 估计 SpiNNaker 应该可以实时仿照老鼠大脑中的 1 亿个神经元——而传统超级核算机做到这一点速度要慢 1 千倍左右。

现在,欧盟人脑方案体系免费向学术研讨试验室敞开。神经科学家开端在 SpiNNaker 硬件上工作他们自己的程序,以仿照大脑特定子体系的高档处理进程,如小脑、皮质或基底神经节。

例如,研讨人员正在企图仿照一个小的重复结构单元——皮质微柱,该微柱坐落大脑外层,担任大多数高档功用。「微柱很小,可是它依然有 8 万个神经元和 2.5 亿个突触,所以建模这个微柱并不是一项小工程,」Furber 说。

接下来,他补充到,「与仅从个别大脑区域着手相反,咱们开端想从体系级创立」,逐步挨近为人类智力供给动力的含 850 亿个神经元的人脑的全尺度模型。

仿照大脑

运用神经形状硬件对大脑进行建模可以提醒神经元核算的基本原理,达特茅斯学院的核算神经科学家 Richard Granger 说。神经科学家可以十分具体地丈量神经元的生物物理和化学特性,可是很难知道这些特性中的哪些对大脑的核算才干真的重要。尽管神经形状芯片中运用的资料与人脑的细胞物质彻底不同,但运用这种新硬件的模型可以提醒大脑传递和评价信息的核算原理。

在硅中仿制简略的神经电路协助 Indiveri 发现了大脑规划的潜在效益。他从前给一个博士生一个神经形状芯片,该芯片可以仿照脉冲频率习惯,这种机制使人类习惯于稳定的影响。

因为在芯片上紧缩了空间,学生决议不完结这个功用。可是,当尽力下降芯片的带宽和功率要求时,他终究得到了一些看起来与他移除的脉冲频率习惯相同的东西。

Indiver 和他的搭档们还发现,长距离发送仿照信号的最佳办法不是将它们表明为接连可变的流,而是像神经元相同,将它们表明为一系列脉冲信号。「假如你想最小化能量和带宽,神经元所运用的技能被证明是传输信号的最佳技能,」Indiveri 说。

神经形状硬件也可以让研讨人员测验他们关于大脑功用的理论。康奈尔大学的核算神经科学家 Thomas Cleland 树立了嗅球模型来说明支撑咱们嗅觉的原理。运用 Loihi 芯片使他可以树立足够快的硬件模型以仿照生物。

当从化学传感器(咱们的气味感受器的人工版别)给定数据,体系在只接触到一个样本后就学会了辨认气味,超越了传统的机器学习办法,并且更挨近人类的优异嗅觉。

「经过成功地映射相似的东西,并在神经形状芯片上显现它的作业状况,是你的确了解了这个别系的很好的证明」,Davies 说。

Cleland 的嗅觉模型并不总是像预期的那样有用,但那些「失利」的试验相同具有启示性。传感器接收到的气味输入有时与模型猜测的成果不同,或许是因为气味比预期的更杂乱或更具噪声,或许是因为温度或湿度搅扰了传感器。

「输入信息有点不靠谱,咱们知道这并不能骗过咱们的鼻子,」他说。研讨人员发现,经过留意曾经疏忽的气味输入中的「噪声」,嗅觉体系模型可以正确地检测到更广泛的输入。研讨成果使 Cleland 更新了他的嗅觉模型,研讨人员现在可以调查生物体系,看看它们是否运用这种曾经不知道的技能来辨认杂乱或含有噪声的气味。

Cleland 期望扩展他的模型规划,这个模型工作在生物实时环境中,剖析来自成百乃至上千个传感器的气味数据,这些数据或许需求几天时刻才干在非神经形状硬件上工作。「只需咱们能把算法放到神经形状芯片上,那么后者的可扩展性就十分好」,他说。「对我来说,最令人振奋的工作是可以工作这 16000 个传感器的数据集,看看当咱们扩展模型规划时,算法会有多好。」

SpiNNaker、 TrueNorth 和 Loihi 都能以与生物相同的速度对神经元和大脑进行仿照,这意味着研讨人员可以运用这些芯片辨认影响——如图画、手势或声响——当它们呈现时,当即处理和回应它们。

除了答应 Cleland 的人工鼻子处理气味之外,这些才干还可以使机器人在耗费很少动力的状况下实时感知并对环境做出反响。对大多数传统核算机而言,这是一个巨大的前进。

关于某些运用,例如或许需求数周、数月乃至数年才干完结的建模学习进程,这有助于前进速度。这便是 BrainScaleS 的用武之地,它的工作速度比生物大脑快 1000-10000 倍。并且这个别系只会越来越先进。跟着与神经科学家们亲近合作开发新的处理器,它正在被晋级为 BrainScaleS2。

这个新体系将可以更好地仿照学习和建模化学进程,比方多巴胺对学习的影响,这是其他神经形状体系无法仿制的。研讨人员说,它还可以建模各种神经元、树突和离子通道,以及结构可塑性的特征,如突触的损失和添加。

或许有一天,这个别系乃至可以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:「我以为,了解生物智能是本世纪最大的问题。」

当时的人工智能体系在灵活性和学习才干方面依然落后于大脑。Furber 说:「谷歌的神经网络在看过一千万张猫的图片之后才拿手辨认出猫,可是假如你给我两岁的孙子只看一张猫的图片,他就能一辈子都认得猫了。」

跟着本年晚些时候 Loihi 方案的推出,Eliasmith 期望可以为他的 Spaun 模型添加更高层次的认知和学习行为。他说他特别振奋的是测验精确建模人类怎么快速且简略地学习一项认知使命,比方一个新的棋盘游戏。像 AlphaGo 这样闻名的人工智能游戏玩家有必要建模数以百万计的围棋棋局才干学会怎么下好。

现在还不清楚仿制人类智能是否仅仅是树立更大更具体的大脑模型的问题。「咱们不知道咱们了解大脑的办法是否存在某种底子性的缺点,」Eliasmith 说。「咱们不知道咱们能走多远,直到咱们有更好的硬件可以实时工作这些具有数以亿计的神经元的模型」他说,「我以为神经形状学能协助咱们到达这个方针。」

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.

原文链接:https://www.the-scientist.com/features/building-a-silicon-brain-65738

本文为机器之心编译,转载请联络本大众号取得授权。

声明:该文观念仅代表作者自己,搜狐号系信息发布渠道,搜狐仅供给信息存储空间服务。
版权声明

本文仅代表作者观点,不代表本站立场。
本文系作者授权发表,未经许可,不得转载。

最近发表

    优德88手机客户端_w88优德手机版_优德88官方网站

    http://www.usanime.net/

    |

    Powered By

    使用手机软件扫描微信二维码

    关注我们可获取更多热点资讯

    w88出品