了解神经形态计算:下一代AI

0
8299
图片作者 格德·阿尔特曼Pixabay

神经形态计算顾名思义,它使用的模型受大脑运作的启发。大脑非常紧凑,可以很容易地适应人头大小的物体,因此它成为计算的诱人模型,这与大多数充满房间的超级计算机不同。与大多数超级计算机相比,大脑还需要更少的能量。我们的大脑消耗约20瓦特,而 Fugaku超级计算机 使用28兆瓦。超级计算机需要大型冷却系统时,大脑会在37°C时整齐地呆在头骨内。关于大脑的力量还有很多。因此,在传统的计算模式陷入困境的情况下,如果我们能够利用大脑使用的技术,那么它将导致我们将来使用功能更强大的计算机。

需要神经形态系统

如今,大多数硬件都基于冯·诺依曼架构,该架构具有独立的内存和计算功能。由于冯·诺依曼芯片需要在内存和CPU之间来回洗牌,因此它们浪费了时间和精力,从而导致了所谓的冯·诺依曼瓶颈。随着时间的流逝,冯·诺伊曼(von Neumann)架构将使交付所需的计算能力变得更加困难。

广告Coursera Plus标语,包含约翰·霍普金斯大学,谷歌和密歇根大学的课程,突出显示数据科学职业发展的内容

因此,为了跟上步伐,将需要一种新型的非冯·诺伊曼架构: 神经形态结构。解决方案包括神经形态系统和量子计算。它是神经形态计算,即灵感来自大脑的计算可能会更早地商业化。 

大脑优于冯·诺依曼系统的好处

  • 与冯·诺依曼系统中的串行计算不同,大脑使用大量的并行计算。 
  • 它们还比计算机更具容错能力。

研究人员希望对神经形态系统中的两种优势进行建模。

我们如何制造像人脑一样工作的计算机?

神经形态计算模型类似于大脑如何通过尖刺神经网络工作。常规计算基于可以为开或关,一或为零的晶体管,而尖峰神经网络可以以与大脑相同的时间和空间方式来传递信息,从而产生多于一两个的输出。神经形态系统可以是数字的也可以是模拟的,具有由软件或软件扮演的突触的作用 忆阻器.

忆阻器还可以包含突触存储信息以及传输信息的能力。忆阻器可以存储一系列值,而不是仅存储一个值和零值,从而使系统可以模拟两个突触之间连接强度的变化。我们可以在神经形态计算中更改人工突触的权重,以允许基于脑的系统学习。它还包括相变存储器,电阻式RAM,自旋转移转矩磁性RAM和导电桥RAM。研究人员也在寻找模拟大脑突触的不同方法,例如量子点和石墨烯。

神经形态系统的可能用途

  • 对于繁重的计算任务,诸如智能手机之类的边缘设备目前使用基于云的系统,该系统处理查询并将答案再次提供给设备。但是对于神经形态系统,该查询可以在设备本身内进行,而无需前后移动。 
  • 但是,对神经形态计算进行投资的最重要的推动力也许是对人工智能的承诺。目前,AI倾向于在很大程度上基于规则并在生成特定结果之前对数据集进行培训。但是人的大脑工作得更好。我们的灰质比模糊性和灵活性要舒适得多。
  • 预计下一代AI可能会解决更多类似大脑的问题,包括约束满足。

但是要使其成功,将面临许多挑战,例如在计算规范,硬件和软件方面带来根本性的改变,重写整个编程语言等。因此,关于大脑的研究有很多。研究人员正在研究它,了解神经形态设计。

Source: //www.intel.com/content/www/us/en/research/neuromorphic-computing.html

//www.zdnet.com/article/what-is-neuromorphic-computing-everything-you-need-to-know-about-how-it-will-change-the-future-of-computing/

广告

发表评论

请输入您的评论!
请在这里输入您的名字

该网站使用Akismet减少垃圾邮件。 了解如何处理您的评论数据.