神經形态計算的新方法：人造神經元計算速度超過人腦

當下，人工智能軟體越來越多地開始模仿人類大腦。而諸如谷歌公司的自動圖像分類和語言學習程式等算法也能夠利用人工神經元網絡執行複雜的任務。但因為正常的計算機軟體不能被設計運作類似大腦的算法，是以相比人類大腦而言，這些機器學習就需要更高的運算能力。

“肯定會有更好的方法來做這些，因為大自然都能夠找到更好的辦法。”該研究合作者、美國國家标準與技術研究所（NIST）實體學家Michael Schneider表示。

NIST是若幹希望開發出能夠模拟人類大腦的神經形态硬體，同時希望這種神經形态硬體能更有效地運作大腦樣軟體的團隊之一。在正常的電子系統中，半導體常常會以一定的間隔和精确的數量處理資訊（二進制數字0或1）。但神經形态硬體則能夠從多個來源積累少量資訊，并且改變這些資訊使其産生一種不同類型的信号，并在需要的時候發射一股電流，就好像神經元放電那樣。是以這種神經形态硬體需要更少的能量運作。

然而這些裝置至今還是無效的，尤其當半導體需要跨越間隙或突觸來傳遞資訊時，是以，Schneider團隊利用铌超導體制造出了神經元樣的電極，其可以在無阻力的情況下進行導電。随後，研究人員利用數千個磁性錳納米晶簇填補超導體的空隙。

通過改變突觸中磁場的數量，這些納米晶簇就可以在不同方向上對齊。這就能讓該系統在電力水準和磁性方向上對資訊進行編碼，進而賦予該系統比其他神經形态系統更強大的計算能力，同時不會占據額外的實體空間。

這些突觸每秒可以放電10億次，比人類神經元的速度快幾個數量級，同時該系統消耗的能量僅為生物性突觸的萬分之一。在計算機模拟過程中，在傳遞到下一個電極之前，合成神經元就能通過最多9個來源核對輸入資訊。但當基于該技術的系統用于複雜計算之前，需要成千上萬個突觸，Schneider表示，是否能夠擴大到這個水準還有待進一步研究分析。

另外一個問題是，該突觸隻能在接近絕對零度的溫度下運作，同時需要用液氮來冷卻。英國曼徹斯特大學計算機工程師Steven Furber指出，這可能就會使晶片在小型裝置中變得不實用，盡管大型資料中心可能能夠對其進行維護。但Schneider表示，相比操作一個具有相當數量計算能力的傳統電子系統而言，對該裝置進行冷卻或許需要更少能源。

美國加州理工學院電氣工程師Carver Mead贊揚了這項研究，并将其稱之為神經形态計算的新方法。“目前在該領域中充滿了炒作，我們很高興能夠看到精細工作能以客觀的方式呈現出來。”他說，但在晶片真正用于計算領域之前或許還需要一段很長的時間，而且，目前還存在來自許多其他神經形态計算裝置的激烈競争和挑戰。

Furber還強調，這種新型裝置的實際應用前景非常廣闊。“這種裝置技術也非常有趣，但如今我們還不能充分了解這些生物突觸的關鍵特性，也并不知道如何更加有效地利用它們。”他說，例如，目前人們仍有許多問題需要解決，即當記憶形成過程中這些突觸如何重塑自己？這就使得研究人員很難在記憶存儲晶片中重建這個過程。

盡管如此，Furber表示，一種新型計算裝置進入市場需要10年甚至更長時間，即便神經科學家很難了解人類大腦，但他們非常有必要開發出盡可能多的不同的技術手段。

原文釋出時間為：2018-02-6

本文作者：張章

本文來自雲栖社群合作夥伴新智元，了解相關資訊可以關注“AI_era”微信公衆号