论传递信息的能力,计算机的二进制目前还比不上人脑。
因为大脑神经元之间传递的信号形式远多过0或1两种:根据突触(神经元之间的结构)间不同的神经递质,不同的浓度,下游神经元可以拿到不一样的信号。
神经形态计算领域的研究人员希望,能找到一种造出类脑的芯片,可多层次地传递信息。一旦有了多层次的信号传递方式,那么很小的一块神经形态芯片就能匹敌现在的超算,毫不费力地并行运算海量数据。
前两天,MIT电子与微系统技术实验室的Jeehwan Kim教授在《自然》材料子刊发表了一篇论文,SiGe epitaxial memory for neuromorphic computing with reproducible high performance based on engineered dislocations。
Kim教授和他的研究团队设计出一种材料为硅鍺的人工突触芯片,可以精确地控制电流的强度,就像神经元可以定量释放多少神经递质一样。
论文中显示,这款人工突触芯片已经可以支持识别手写字体的机器学习算法,准确率达到95%。尽管低于现有的芯片的基准表现97%,不过依然相当promising。
可以说,这篇文章的研究工作奠定了未来神经形态芯片的发展基础。
以后我们的移动设备,可能得靠这种芯片来支持图像识别和其他机器学习任务了。又考虑到移动设备有限的续航能力,这芯片不光要体积小,还得低耗才行。
能快速运算AI算法,便携,低耗是未来市场对这种芯片的基础要求。
Kim教授说,现有的大部分神经形态芯片都尝试模仿神经突触,将两个可导电的层用另一种纤维介质分隔开。由于所用的介质材料是非晶态的,电子可以朝所有可能的方向跑,像弹珠机一样。即使人工突触的空间结构是模仿出来了,却无法精准控制“递质释放的浓度”——电流的强度。
控制不了电流的强度,那么所携带的信息也就复现不了。这就是人工突触芯片面临的最大难题,缺乏信息传递的一致性。
为了解决这个问题,Kim研究团队锁定了一种由连续排列的原子组成的无缺陷导电材料,单晶硅。这样就可以准确预测电子的流动了。
后来进一步研究发现,硅锗的晶格稍大于硅的晶格,这两种完全不匹配的材料可以形成漏斗状的错位,反而能形成单一的离子流通路径。
这个由硅锗制成的人工突触芯片,每个“突触”间隙约25纳米。实验中对每个突触施加电压,发现所有突触都表现出差不多的电流,不同突触之间的差异大概为4%。与由非晶态的材料制成的“突触”相比,电流强度大小更可控。
对单个“突触”的700次重复施电压实验中,“突触”所输出的电流都是相同的,偏差均在1%。
Kim说:“这是我们目前能够达到的(电流强度)最一致的芯片了。”
对于提高未来人工神经网络性能来说,这工作迈出了很关键的一步。
电流强度是控制得不错了,那么和现有的冯诺依曼结构的芯片比,计算性能表现怎么样?
Kim团队给这种芯片布置了一个机器学习的任务:识别手写数字。
这是人工突触芯片的第一次实际测试。
例如,当一个输入是手写的“1”,输出标记为“1”时,不仅会有输出神经元被输入神经元激活,还会收到人造突触权重的影响。
如果输入神经元感知到不同样本之间,可能存在某些同一个字母的相似特征时(你可以想象为更多的手写“1”的例子输入同一个芯片时),相同的输出神经元就被激活,和我们大脑的学习过程一样。
最后这种硅鍺材质的人工突触芯片表现还不赖,手写数字识别准确率为95%,略微低于现在的基准线97%。
Kim团队希望,他们的研究工作可以为以后制造拥有超算能力、却和指甲一样大的芯片打些基础。这项研究已经得到了美国国家科学基金会的部分支持。
最后,附论文地址:
https://www.nature.com/articles/s41563-017-0001-5
及编译来源:
http://news.mit.edu/2018/engineers-design-artificial-synapse-brain-on-a-chip-hardware-0122
— 完 —
活动报名
加入社群
量子位AI社群13群开始招募啦,欢迎对AI感兴趣的同学,加小助手微信qbitbot5入群;
此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。
进群请加小助手微信号qbitbot5,并务必备注相应群的关键词~通过审核后我们将邀请进群。(专业群审核较严,敬请谅解)
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态