神经形态计算可以解决技术行业迫在眉睫的危机

随着计算机的发展，大脑在竞争中遥遥领先。它们体积小，重量轻，能耗低，并且适应性极强。而且它们还将成为下一波高级计算的模型。
 

这些受大脑启发的设计统称为“神经形态计算”。即使最先进的计算机也无法接近人脑-甚至大多数哺乳动物的大脑-但我们的灰质物质可以通过模仿大脑自身的突触，为工程师和开发人员提供一些有关如何使计算基础结构更有效的指导。和神经元。
 

首先是生物学。神经元是神经细胞，并作为将信息从身体的一部分传递到另一部分的电缆。这些信息从一种神经元传递到另一种神经元，直到到达身体的正确部位为止，在这些部位可以产生作用-例如，通过使我们意识到疼痛，移动肌肉或形成句子。
 

神经元彼此传递消息的方式跨越了一个间隙，称为突触。一旦神经元接收到足以触发它的输入，它就会将化学或电脉冲（称为动作电位）传递到下一个神经元或另一个细胞（例如肌肉或腺体）上。 
 

接下来，技术。Neuromorphic计算软件试图通过增强神经网络（SNN）来重新创建这些动作电位。SNN由神经元组成，这些神经元通过产生自己的动作电位并向其传递信息来向其他神经元发出信号。消息的强度和时间安排会导致神经元重新映射它们之间的连接，从而使SNN可以像输入大脑一样“学习”输入的变化。
 

在硬件方面，神经形态芯片也与当今大多数计算硬件中使用的CPU和GPU根本不同。传统的体系结构已经崩溃了一段时间，制造商发现在物理，功耗和发热量的极限下，越来越难以在单个芯片上填充更多的晶体管。同时，我们正在生成越来越多的计算数据，并消耗越来越多的计算能力，这意味着我们头脑中的超级自适应，超级强大，超低能耗的计算机开始变得越来越有趣。技术模型。
 

“我们最好的计算机性能一直停滞不前，而且波动很大。现在，我们急于寻找可以继续改进新计算机科学的技术，这是过去几十年来我们看到的。人们正在寻找不同的技术，并且可能是神经形态中最有前景的一种。”惠普企业研究科学家Suhas Kumar说。
 

神经形态硬件并没有像今天使用的大多数芯片那样将内存和计算分离出来，而是将两者结合在一起，而处理器拥有自己的本地内存（更像大脑），可以节省能源并加快处理速度。
 

神经形态计算还可以帮助催生一波人工智能（AI）应用程序。当前的AI通常是狭窄的，是通过从存储的数据中学习，开发和完善算法直到可靠地匹配特定结果来开发的。但是，使用神经形态技术的类似于大脑的策略可以使AI承担新的任务。由于神经形态系统可以像人的大脑一样工作-能够应对不确定性，适应并使用来自现实世界的混乱，混乱的数据-因此可以为AI变得更加通用奠定基础。
 

“更多的类似于大脑的工作负载近似于计算，其中存在着更多的模糊关联-可以这么说，这种学习和自我修改程序的快速自适应行为。这些类型的功能在常规计算中效率不高。因此我们一直在寻找可以提供突破的新架构。”英特尔神经形态计算实验室主任Mike Davies说。

神经形态计算起源于1980年代后期开发的计算系统，该系统旨在模拟动物神经系统的运行。从那以后，神经形态计算一直在加速发展，某种程度上，一些技术界的大腕已经生产出了神经形态硬件：例如，IBM的TrueNorth芯片和英特尔的128核Loihi芯片以及神经形态系统Pohoiki Beach都已经流行了。
 

不过，目前，神经形态系统的大多数用途都在研究实验室中：例如，以英特尔为例，其硬件已用于开发实验性的安装在轮椅上的机器人手臂，供脊椎受伤的人以及人造皮肤用于帮助机器人具有人为的触觉。但是，它们不太可能保持这种状态-根据HPE的Kumar，第一个严重依赖神经形态计算的商业系统可能会在五年内上市。 
 

“我们在神经形态计算中看到的大多数发展都非常不同，并且与现有技术相比有很大的飞跃；预计例如，事情要像CMOS硬件一样可扩展之前，将需要大量的时间。今天，”宾夕法尼亚州立大学电气工程与计算机科学学院助理教授Abhronil Sengupta说。他补充说：“有挑战，是的，但我也感到正在取得重大进展，并将克服这些挑战。”
 

认为我们首先可以看到为机器人技术和自动驾驶汽车提供动力的神经形态系统，其中概率计算可能特别有用-例如，计算某人撞上道路的风险以及是否相应地改变汽车的行为。
 

除了扩展人工智能的“内容”之外，神经形态计算还可以扩展人工智能的“位置”。无需将AI任务交给需要大量电力和散热的云系统，神经形态计算的低能耗需求意味着这些任务可能可以由智能手机，平板电脑，无人机和可穿戴设备等硬件来完成。
 

“到现在为止，计算的故事更多地是关于将更多设备塞入较小的芯片空间。但是，向前发展将更多地涉及将更多的智能塞入，即将更多的功能塞入给定数量的设备中。从材料到芯片架构和软件，这都需要创新。” HPE的Kumar说。
 

为了使神经形态学产生更大的影响，整个更广泛的科技行业将需要发生许多变化。例如，传感器技术的设置方式无法与神经形态系统配合使用，因此需要重新设计传感器技术，以使数据能够以神经形态芯片可以处理的方式提取。
 

更重要的是，不仅硬件需要改变，人们也需要改变：根据英特尔的戴维斯（Davies）的说法，虽然硬件相对成熟，但该领域面临的挑战之一是基本的软件编程模型和算法成熟度。他说：“在这里，我们真正需要与神经科学家建立真正的合作伙伴关系，并拥有一批崭新的机器学习数据科学家，以考虑重新思考计算。”
 

神经形态计算可能会导致集成化程度更高的协作技术产业，其中计算成为端对端系统设计问题。与神经科学家的更大合作似乎是可能的，因为大脑有更多的信息可以告诉我们什么计算可以做得更好，尤其是在算法方面。
 

例如，宾夕法尼亚州立大学的Sengupta正在研究重塑神经胶质细胞（称为大脑的支持细胞）如何影响神经元相位同步以进行神经形态计算的方式。他认为，从大脑灵感的角度出发，解锁各个方面的潜力巨大。他说：“释放大脑的其他各个方面，例如单个组件或用于更好的算法设计的基础体系结构，我认为这也是一个非常有前途的途径。”