芯片上的大脑几乎不需要训练

人工智能技术的进步导致了模仿大脑生物学的神经网络的发展。

资料来源:2021年KAUST

仿生智能“飙升”神经网络在微芯片上，使KAUST的研究人员奠定了基础，以开发更高效的硬件基础人工智能计算系统。

人工智能技术正在迅速发展，在高级自动化、数据挖掘和解释、医疗保健和市场营销等领域涌现出大量新应用。这种系统基于数学人工神经网络(ANN)，由决策节点层组成。首先将有标记的数据输入系统，以“训练”模型以某种方式作出反应，然后锁定决策规则，然后将模型投入标准计算硬件的服务。

虽然这种方法可行，但它只是一种笨拙的近似于构成我们大脑的更为复杂、强大和高效的神经网络。“神经网络是一种抽象的数学模型，与真实的神经系统几乎没有相似之处，它需要强大的计算能力，”该研究团队的博士生郭文哲(音译)说。“另一方面，尖峰神经网络的构造和工作方式与生物神经系统相同，可以更快、更节能地处理信息。”

尖峰神经网络(snn)模拟神经系统的结构，作为一个突触网络，通过离子通道传递信息的动作电位，或尖峰，当他们发生。这种事件驱动的行为，在数学上被实现为一个“泄漏的集成和点火模型”，使snn非常节能。此外，互联节点的结构提供了高度的并行化，进一步提高了处理能力和效率。它还可以作为神经形态芯片直接在计算硬件中实现。

“我们使用了一个标准的低成本FPGA微芯片，并实现了一个峰值时间依赖的可塑性模型，这是一个在我们大脑中发现的生物学习规则，”郭说。

重要的是，这种生物模型不需要教学信号或标签，允许神经形态计算系统无需训练就能学习真实世界的数据模式。“由于SNN模型非常复杂，我们的主要挑战是定制神经网络设置以获得最佳性能，”郭说。“然后我们设计了最佳的硬件架构，考虑了成本、速度和能源消耗的平衡。”

该团队的“大脑芯片”被证明比其他神经网络平台快20多倍，节能200多倍。“我们的最终目标是建立一个紧凑、快速、低能耗的大脑式硬件计算系统。下一步是改进设计和优化产品包装，使芯片小型化，并通过协作为各种工业应用定制。”郭说。