ZKIZ Archives


斯坦福大學實現高性能低功耗人工突觸,可用於神經網絡計算

來源: http://www.iheima.com/zixun/2017/0224/161469.shtml

斯坦福大學實現高性能低功耗人工突觸,可用於神經網絡計算
機器之心機器之心

斯坦福大學實現高性能低功耗人工突觸,可用於神經網絡計算

或許有一天,這款突觸能夠成為一臺更接近大腦計算機的一部分,它特別有利於處理視覺、聽覺信號的計算過程。

本文由機器之心(微信 ID:  almosthuman2014)授權i黑馬發布。

盡管這些年來,計算機技術取得不少進展,但是,在再造大腦低能耗、簡潔的信息處理過程這方面,我們仍然步履蹣跚。現在,斯坦福大學和桑迪亞國家實驗室的研究人員取得了重要進展,該研究可以幫助計算機模擬某塊大腦高效設計,亦即人工突觸。

8b2ba52e1f189f7e4e7a80a13e44ba1d

Alberto Salleo,材料科學與工程學副教授,研究生 Scott Keene 在確知用於神經網絡計算的人工突觸的電化學性能。他們是創造這一新設備團隊的成員。

Alberto Salleo 說,它運行起來就像是真的突觸,不過,它是一個可以制造出來的電子設備。Alberto Salleo 是斯坦福大學材料科學與工程學副教授,也是這篇論文的資深作者(senior author)。「這是一套全新的設備系列,之前並沒有看到過這類架構。許多關鍵標準測評後,我們發現,這款設備的性能要比其他任何非有機設備要好。」

相關研究發表在了 2 月 20 日 的 Nature Materials上,該人工突觸模仿了大腦突觸從通過其中的信號中進行學習的方式。較之傳統計算方式,這種方式要節能得多,傳統方法通常分別處理信息然後再將這些信息存儲到存儲器中。就是在這里,處理過程創造出記憶。

或許有一天,這款突觸能夠成為一臺更接近大腦計算機的一部分,它特別有利於處理視覺、聽覺信號的計算過程。比如,聲控接口以及自動駕駛汽車。過去,這一領域已經研究出人工智能算法支持下的高效神經網絡,但是,這些模仿者距離大腦仍然比較遙遠,因為,它們還依賴傳統的能耗計算機硬件。

建造一個大腦

人類學習時,電子信號會在大腦神經元之間傳遞。首次橫穿神經元最耗費能量。再往後,連接所需的能力就少了。這也是突觸為學習新東西、記住已學內容創造便利條件的方式。人工突觸,和所有其他類腦計算版本不同,可以同時完成(學習和記憶)這兩項任務,並能顯著節省能量。

深度學習算法非常強大,不過,仍然依賴處理器來計算、模擬電子狀態並將其保存在某個地方,就能耗和時間而言,這可不夠高效,Yoeri van de Burgt 說,他之前是 Salleo lab 的博士後研究人員(postdoctoral scholar),也是這篇論文的第一作者。「我們沒有模擬一個神經網絡,而是試著制造一個神經網絡。」

這款人工突觸是以電池設計為基礎的。由兩個靈活的薄膜組成,薄膜帶有三個終端,這些終端通過鹽水電解質連接起來。它的功能就像一個晶體管,其中一個終端控制其與其他兩個終端之間的電流。

就像大腦中的神經通路可以通過學習得到加強,研究人員通過重複放電、充電,為人工突觸編程。訓練後,他們就能預測(不確定性僅為 1%)需要多少伏電,才能讓突觸處於某種特定電信號狀態(electrical state),而且一旦抵達那種狀態,它就可以保持該狀態。易言之,不同於普通電腦,關掉電腦前,你會先將工作保存在硬件上,人工突觸能回憶起它的編程過程而無需任何其他操作或部件。

測試人工突觸網絡

桑迪亞國家實驗室的研究者目前只制造了一個人工神經突觸,但是,他們使用有關突觸實驗中獲得的 15,000 個測量結果來模擬某一列(array)突觸在神經網絡中的運行方式。他們測試了模擬網絡識別手寫數字 0 到 9 的能力。三個數據集上的測試結果顯示其識別手寫數字準確度達 93%~97%。

盡管這項工作對於人類來說顯得相對簡單,但是對於傳統計算機而言,要解釋視覺與聽覺信號曾經是非常困難的。

「我們期望計算設備能做的工作越來越多,這就需要模擬大腦工作方式的計算方式,因為用傳統計算來完成這些工作,能耗巨大,」A. Alec Talin 說,「我們已經證實這款設備很適合實現這些算法,而且很節能。」A. Alec Talin 是桑迪亞國家實驗室的傑出技術研究員,也是這篇論文的資深作者。

該設備極其適合於傳統計算機執行起來很費勁的信號識別和分類工作。數字晶體管只能處於兩種狀態,比如 0 或 1,但是研究人員在一個人工突觸上成功編碼了 500 種狀態,對於神經元類計算模型來說,這很有用。從一種狀態切換到另一種狀態所使用的能耗約為當前最先進計算系統的 1/10,最先進的計算系統需要這些能耗將數據從處理單元移動到存儲器。

然而,較之一個生物突觸引發放電所需的最低能耗,這款人工突觸仍然不夠節能,所需能耗是前者的 10000 倍。研究人員希望,一旦他們測試用於更小的設備的人工神經突觸,他們可以實現類似生物神經元級別的能耗水平。

有機材料的潛力

設備的每一部分都由便宜的有機材料制成。雖然在自然界中找不到這些材料,但是它們大部分都由氫、碳兩種元素構成,而且與大腦化學物質兼容。細胞已經可以在這些物質上生長,並且已經被來打造用於神經遞質(neural transmitters)的人工泵。用於訓練這類人工突觸的電伏也和穿行人類神經元所需的能量相同。

這些都使得人工神經突觸與生物神經元之間的交流成為可能,可借此改進腦機接口。同時,設備的柔軟性與靈活性也使得它可被用於生物環境。但是,進行任何生物學方面應用之前,團隊計劃先打造一列人工神經突觸,用於進一步研究與測試。

原文鏈接:http://news.stanford.edu/2017/02/20/artificial-synapse-neural-networks/

人工智能
贊(...)
文章評論
匿名用戶
發布
PermaLink: https://articles.zkiz.com/?id=236859

Next Page

ZKIZ Archives @ 2019