刘晓坤 王淑婷编译

历时十二年!曼彻斯特百万级神经元的类脑超算终开启

这台世界最大的神经形态超级计算机由曼彻斯特大学计算机科学学院设计和制造,它被设计和制造成与人脑相同的工作方式,并配备了里程碑式的一百万个处理器内核。

具有百万处理器内核的「脉冲神经网络架构」或 SpiNNaker,每秒能完成约 200 兆次运算。

SpiNNaker 由曼彻斯特大学计算机科学学院设计和制造,相比世界上任何其它的机器,它可以实时模拟更多的生物神经元。在大量的简化假设下,SpiNNaker 的模拟规模相当于一只老鼠的大脑,或千分之一个人脑。

为了实现这一点,研究者花了 1500 万英镑的资金、20 年的构思和超过 10 年的建设,最初的建设始于 2006 年。该项目最初由 EPSRC(Engineering And Physical Sciences Research Council)资助,现在得到了「欧盟人脑计划」的支持。上周五(11.02),该超级计算机第一次启动。

生物神经元是神经系统中的基本脑细胞,主要靠发射纯电化学能量的「脉冲」进行交流。神经形态计算使用包含电子电路的大规模计算机系统在机器上模拟这种脉冲。

SpiNNaker 独一无二,因为与传统的计算机不同,它不是通过标准网络从 A 点向 B 点发送大量信息来进行交流。相反,它模拟大脑里的大量并行交流架构,同时把数十亿小量信息发送到成千上万个不同的目的地。

计算机工程教授 Steve Furber 是这种计算机的最初构想者。他说:「SpiNNaker 重新思考了传统计算机的工作方式。我们实际上制造了一台工作方式更像大脑的机器,而不是传统的计算机,这非常令人激动。」

「该项目的最终目标是在一台计算机上实现一百万个内核,以实时模拟大脑应用。现在我们已经做到了,这简直难以置信。」

该计算机的创建者最终的目标是实时建模近十亿生物神经元,他们现在离目标更近了一步。为了帮助你建立神经元规模的概念,我们知道,一只老鼠的大脑由大约 1 亿个神经元构成,而人类大脑大约是老鼠的 1000 倍大小。

十亿神经元的规模大约是人类大脑(1000 亿神经元)的 1%,而人类大脑的神经元由大约 1000 兆(10^15)的神经突触实现了高度互连。

那么,百万级核心处理器的计算机在模仿大脑上能做什么呢?它的其中一个基础应用是帮助神经科学家更好地理解我们大脑的工作方式。它可以通过运行极端大规模的实时模拟来实现这一点,而这对于其它机器而言基本是不可能的。

例如,SpiNNaker 已经被用于模拟多种独立大脑网络的高级实时处理。其中包括大脑皮质片段的 80000 个神经元,接收和处理来自感官信息的大脑外层。

它还模拟了大脑的一个称为基地核的区域,这个区域和帕金森氏症有关,这意味着它在神经病学研究中有很大的潜力。

SpiNNaker 的能力近期还被用来控制机器人 SpOmnibot。该机器人使用 SpiNNaker 的系统来理解实时视觉信息并通过特定物体进行导航,同时忽略其它物体。

SpOmnibot 是一个机器人平台,由慕尼黑工业大学设计(图源:http://spinnakermanchester.github.io/docs/spomnibot/

Furber 教授补充道:「神经科学家现在可以使用 SpiNNaker 运行前所未有规模的模拟来帮助发现人类大脑的工作原理。它也能像实时神经模拟器一样,帮助机器人学家设计大规模神经网络,从而使机器人可以灵活、节能地行走、聊天。」


原文链接:https://www.manchester.ac.uk/discover/news/human-brain-supercomputer-with-1million-processors-switched-on-for-first-time/

工程超级计算机神经网络
2
相关数据
神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

脉冲神经网络技术

第三代神经网络,脉冲神经网络(Spiking Neural Network,SNN),旨在弥合神经科学和机器学习之间的差距,使用最拟合生物神经元机制的模型来进行计算。脉冲神经网络与目前流行的神经网络和机器学习方法有着根本上的不同。SNN 使用脉冲——这是一种发生在时间点上的离散事件——而非常见的连续值。每个峰值由代表生物过程的微分方程表示出来,其中最重要的是神经元的膜电位。本质上,一旦神经元达到了某一电位,脉冲就会出现,随后达到电位的神经元会被重置。对此,最常见的模型是 Integrate-And-Fire(LIF)模型。此外,SNN 通常是稀疏连接的,并会利用特殊的网络拓扑。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

神经形态计算技术

神经形态工程也称为神经形态计算,是Carver Mead在1980年代后期开发的一个概念,描述了使用包含电子模拟电路来模拟神经系统中存在的神经生物学结构的超大规模集成(VLSI)系统。 近来,神经形态(Neuromorphic)一词已被用于描述模拟、数字、混合模式模拟/数字VLSI以及实现神经系统模型(用于感知,运动控制或多感官集成)的软件系统。

推荐文章
暂无评论
暂无评论~