Brain-inspired“神经形态”从IBM和英特尔芯片可能不仅仅有利于人工智能;网上亚博Ayabo2016他们也可能证明理想的一类计算有用在范围广泛的应用程序包括医用x射线分析和金融经济学,一项新的研究发现。
科学家们一直试图模仿大脑的工作方式使用软件程序被称为神经网络和硬件芯片被称为神经形态。到目前为止,神经形态计算主要是集中在实现神经网络。目前尚不清楚这个硬件之外的人工智能应用程序可能会有用。
神经形态芯片通常模仿神经元的工作在许多不同的方面,如运行在许多计算平行。此外,正如生物神经元计算和存储数据神经形态硬件通常寻求团结处理器和内存,可能会减少能量和时间,传统计算机失去这些组件之间穿梭数据。此外,而传统的芯片使用时钟信号发射定期协调电路的行为,活动在神经形态架构常常以大钉钉牢触发方式,只有当一个电荷达到一个特定的值,就像在像我们这样的大脑发生了什么。
直到现在,神经形态计算日期的主要优势的设想是在功率效率:特性如飙升和内存和处理导致的团结IBM的TrueNorth芯片,有一个低功率密度四个数量级比传统微处理器的时间。
“我们知道的很多研究神经形态计算估计会有优势,但在实践中,人们并不会在意权力储蓄,如果这意味着你走慢很多,”说研究高级作者詹姆斯·布拉德利Aimone理论神经学家阿尔伯克基桑迪亚国家实验室的。
现在科学家们发现神经形态计算机可能适合所谓蒙特卡罗方法,问题基本上是当作游戏,解决方案是通过许多随机模拟或抵达“走”的游戏。
“我们来到随机漫步通过考虑问题,不要在传统硬件规模很好,“Aimone说。“一般蒙特卡罗的解决方案需要大量的随机漫步提供一个好的解决方案,虽然单独什么每个沃克不难计算,在实践中,必须做很多他们变得高昂。”
相比之下,”而不是一群随机建模并行步行者,每个做自己的计算,我们可以计划一个神经形态网状电路来表示所有的计算随机漫步可以做什么,然后通过思考每一个随机游走的峰值移动网格,解决整个问题,“Aimone说。
具体地说,正如先前的研究发现量子计算可以显示一个“量子的优势“在经典计算大量的问题,研究人员发现了一个“神经形态优势”可能存在随机漫步时通过离散时间马尔可夫链。如果你想象一个问题作为一个棋盘游戏,这里的“链”意味着玩游戏通过移动通过一个州或空间的序列。“马尔可夫”意味着下一个空间你可以搬到游戏中只取决于你当前的空间,而不是你以前的历史,在棋盘游戏一样垄断或糖果等土地。“离散”仅仅意味着“一个固定的时间间隔发生变化空间之间——“一转,”研究作者Darby史密斯说,一个数学家桑迪亚国家实验室的应用。
与IBM的实验TrueNorth和英特尔的Loihi神经形态芯片,服务器级别的Intel Xeon e5 - 2662 CPU、和Nvidia泰坦Xp GPU,科学家发现,当谈到在大尺度上解决这类问题,神经形态被证明是更有效的比传统的半导体芯片在能源消耗方面,和竞争,如果不是更好,时间。
“我非常相信人工智能神经形态计算是非常激动人心的,这brain-inspired硬件将导致更聪明和更强大的人工智能,“Aimone说。“但与此同时,通过证明神经形态计算可以在传统有效的计算应用程序,该技术有可能对社会产生更广泛的影响。”
一种神经形态芯片实现了他们的优势在性能和能源效率是一个高度的并行性。复利是表示每个随机游走的能力作为一个高峰的活动,而不是一组更复杂的活动。
“大限制这些蒙特卡罗方法是我们必须模型很多行人,“Aimone说。“因为峰值是代表一个随机游走的这样一个简单的方式,添加额外的随机沃克只是添加一个额外尖峰信号系统与其他所有的并行运行。所以额外的沃克的时间成本是很便宜的。”
能够有效地解决这类问题具有广泛的潜在应用,如股票和期权模型在金融市场上,更好的了解x射线与骨和软组织,跟踪信息在社交网络上移动,如何和建模疾病如何穿越人口群中,史密斯说。“这种方法的应用无处不在,”Aimone说。
但仅仅因为一个神经形态的优势可能存在一些问题”并不意味着brain-inspired电脑可以做任何事比正常的电脑,“Aimone警告说。“计算的未来可能是不同的技术。我们并不是想说神经形态将取代一切。”
科学家们正在调查的方法来处理多个“步行者”或参与者之间的相互作用在这些场景中,这将使应用程序(如分子动力学模拟,Aimone笔记。他们也开发软件工具来帮助其他开发人员工作在这个研究中,他补充道。
科学家们详细他们的发现在2月14日的杂志在线版上电子性质。
* * *
