人工智能技术的进步正促使仿人脑生物学的神经网络发展。 （图片来源：KAUST）
将模仿大脑生物学的神经网络加载到微芯片上，我们可以实现更快，更高效的人工智能。
微芯片上的仿生神经网络“尖峰”为KAUST的研究人员开发基于硬件、更高效的人工智能计算系统奠定了基础。
图片来源：Pixabay
人工智能技术发展迅速，其中包括高级自动化，数据挖掘和数据解析，医疗保健和市场营销等众多新应用。这样的系统基于由决策节点层组成的数学人工神经网络（ANN）。标记好的数据首先被馈送到系统中，“训练”模型以某种方式做出响应，然后确定决策规则，并在标准计算硬件上投入使用该模型。
尽管这是一个有效的方法，但与构成我们大脑的复杂且功能强大效率更高的神经网络相比，这个方法也显得笨拙。
“人工神经网络是一种抽象的、需要强大的计算能力的数学模型，它与真实的神经系统相似性了了。”研究小组的博士生Wenzhe Guo说道，“但在另一方面，神经网络的构造和工作方式与生物神经系统又有相同之处，它可以以更快、更经济的方式处理信息。”
图片来源：Pixabay
尖峰神经网络（SNNs）将神经系统的结构模拟为突触网络，通过离子通道，以动作电位或者脉冲的形式传输信息。这种事件驱动的行为在数学中被称为leaky integrate-and-fire模型，使得SNN具有很高的效率。另外互联的节点结构提供了高度的并行化，进一步提高处理能力和效率，这一构架同样适合在计算机硬件中以神经芯片的形式直接实现。
Guo说：“我们使用了标准的低成本FPGA芯片，并实现了依赖于脉冲时序的可塑性模型，这是在我们大脑中发现的一种生物学习规则。”
重要的是，这种生物学模型不需要任何输入信号或标签，神经形态计算系统无需经过训练即可学习现实世界的数据模式。
Guo说：“由于SNN模型非常复杂，我们面临的主要挑战是如何对神经网络进行设置以获得最佳的性能。于是我们在成本，速度和能耗之间取得相对的平衡，从而设计出了最佳的硬件架构。”
与其他神经网络平台相比，Guo的团队的“芯片大脑”速度提高了20倍以上，能源效率提高了200倍。
“我们的最终目标是研发一个小巧、高速、低能耗的，类似于人脑的硬件计算系统。下一步是改进设计，优化产品封装，使芯片小型化，并针对各种工业应用进行定制。”Guo说。
翻译：彭琛
审校：董子晨曦
引进来源：阿卜杜拉国王科技大学
京公网安备11010502039775号
