基于大脑启发的计算芯片不仅仅适用于人工智能

煤油灯科技2022-03-17 16:07

长期以来,科学家们一直试图使用称为神经网络的软件程序和称为神经形态芯片的硬件来模拟大脑的工作方式。到目前为止,神经形态计算主要集中在实现神经网络上。目前尚不清楚这种硬件是否会在人工智能应用之外证明有用。

神经形态芯片通常以多种不同方式模仿神经元的工作方式,例如并行运行许多计算。此外,就像生物神经元计算和存储数据一样,神经形态硬件通常寻求联合处理器和内存,从而潜在地减少传统计算机在这些组件之间穿梭数据所损失的能量和时间。此外,虽然传统的微芯片使用定期发射的时钟信号来协调电路的动作,但神经形态结构中的活动通常以尖峰方式发挥作用,只有当电荷达到特定值时才会触发,就像我们大脑中发生的情况一样.

到目前为止,迄今为止,神经形态计算的主要优势在于功率效率,诸如脉冲以及内存和处理的联合等特性使得IBM 的 TrueNorth 芯片具有比当时传统微处理器低四个数量级的功率密度.

“我们从许多研究中知道,神经形态计算将具有能效优势,但在实践中,如果这意味着你的速度要慢得多,人们就不会关心节能,”该研究的资深作者James Bradley Aimone是阿尔伯克基桑迪亚国家实验室的理论神经科学家。

现在科学家们发现神经形态计算机可能证明非常适合所谓的蒙特卡罗方法,其中的问题本质上被视为游戏,并且通过许多随机模拟或这些游戏的“行走”来获得解决方案。

“我们通过考虑在传统硬件上无法很好扩展的问题来进行随机游走,”Aimone 说。“通常,蒙特卡洛解决方案需要大量随机游走才能提供一个好的解决方案,虽然每个步行者随着时间的推移单独做的事情并不难计算,但在实践中,不得不做很多事情变得令人望而却步。”

相比之下,“我们可以编程一个神经形态的电路网格来表示随机游走可能进行的所有计算,而不是并行建模一堆随机游走,每个随机游走都进行自己的计算,然后考虑每个随机游走作为一个在网格移动的高峰,一次就能解决整个问题,”Aimone 说。

具体来说,正如之前的研究发现量子计算可以在大量问题上显示出优于经典计算的“量子优势”一样,研究人员发现,当涉及到通过离散时间马尔可夫链的随机游走时,可能存在“神经形态优势”。如果你把一个问题想象成一个棋盘游戏,这里的“链”是指通过一系列状态或空间来玩游戏。“马尔可夫”意味着您可以在游戏中移动的下一个空间仅取决于您当前的空间,而不取决于您以前的历史,如大富翁或糖果乐园等棋盘游戏中的情况。“离散时间”仅仅意味着“在变化的空间之间发生了一个固定的时间间隔——“一个转折,”该研究的主要作者、桑迪亚的应用数学家达比史密斯说。

在使用 IBM 的 TrueNorth 和英特尔的 Loihi 神经拟态芯片、服务器级 Intel Xeon E5-2662 CPU 和 Nvidia Titan Xp GPU 的实验中,科学家们发现,在大规模解决此类问题时,神经拟态芯片被证明更多在能耗方面比传统半导体更高效,在时间方面具有竞争力,如果不是更好的话。

“我非常相信用于人工智能的神经形态计算非常令人兴奋,受大脑启发的硬件将带来更智能、更强大的人工智能,”Aimone 说。“但与此同时,通过证明神经形态计算可以对传统计算应用产生影响,该技术有可能对社会产生更广泛的影响。”

神经形态芯片在性能和动能效率方面取得优势的一种方式是高度并行性。复合是能够将每个随机游走表示为单个活动峰值,而不是一组更复杂的活动。

“这些蒙特卡洛方法的最大限制是我们必须对很多步行者进行建模,”Aimone 说。“因为尖峰是表示随机游走的一种简单方式,所以添加一个额外的随机游走器只是在系统中添加一个额外的尖峰,它将并行运行el 与所有其他人。因此,额外步行者的时间成本非常便宜。”

有效解决此类问题的能力具有广泛的潜在应用,例如为金融市场中的股票和期权建模、更好地了解 X 射线如何与骨骼和软组织相互作用、跟踪信息在社交网络上的移动方式以及建模史密斯指出,疾病如何在人群中传播。“这种方法的应用无处不在,”Aimone 说。

但仅仅因为某些问题可能存在神经形态优势“并不意味着受大脑启发的计算机可以比普通计算机做得更好,”Aimone 警告说。“计算的未来可能是不同技术的混合。我们并不是说神经形态会取代一切。”

Aimone 指出,科学家们现在正在研究在这些场景中处理多个“步行者”或参与者之间相互作用的方法,这将使分子动力学模拟等应用成为可能。他补充说,他们还在开发软件工具来帮助其他开发人员进行这项研究。


参考链接:https://www.sciencedaily.com/releases/2022/03/220310170837.htm

你可能也喜欢这些文章

科技互联网,科技,资讯,动态,洞察,量子,计算,AI,人工智能,机器人,区块链,Web3,分布式,操作系统,OS,芯片,视频,深度,论文