泽南、蛋酱报道

登上Nature子刊封面:英特尔神经芯片实现在线学习

神经形态芯片真的可以模拟人脑吗?最近一期《自然机器智能》的封面研究向我们展示了这一可能性。

近日,来自英特尔和康奈尔大学的研究者宣布,团队已经在神经形态芯片 Loihi 上成功设计了基于大脑嗅觉电路的算法,实现了在线学习和强记忆力能力。这项研究发表在最新一期自然杂志子刊上《Nature Machine Intelligence》上,并成为封面文章。



论文地址:https://www.nature.com/articles/s42256-020-0159-4

在该研究中,研究者展示了英特尔神经形态研究芯片 Loihi 在存在明显噪声和遮盖的情况下学习和识别危险化学品的能力

该系统基于英特尔的神经形态研究芯片 Loihi 和 72 个化学传感器,Loihi 被编程为模仿嗅球中神经元的运作——后者是区分不同气味的大脑区域。研究人员表示,这一系统未来可被用于监视空气中的有害物质,嗅出隐藏的毒品或爆炸物,或帮助进行医学诊断。

论文第一作者,英特尔实验室的 Nabil Imam 和 Loihi 测试版神经芯片。该团队正在芯片上构建算法模仿人类闻到某种气味后大脑神经网络中发生的情况。

人工嗅觉实现在线学习和记忆能力

在系统中,传感器对各种气味的反应被传送至 Loihi,由其芯片电路对嗅觉背后的大脑电路进行模拟。Loihi 芯片迅速掌握了 10 种气味各自的神经表征,其中包括丙酮、氨和甲烷,即使有强烈的环境干扰也能识别出这些气味。

Loihi 仅需单一样本便可学会识别每一种气味,且不会破坏它对先前所学气味的记忆。与传统的最先进方法相比,Loihi 展现出了极其出色的识别准确率传统的深度学习决方案要达到与 Loihi 相同的分类准确率,学习每类气味需要 3,000 倍以上的训练样本。后者是一个耗费大量时间和算力的过程,而且经常会在遇到全新类型目标时识别失败。

作为这一研究的基础,英特尔 Loihi 芯片架构与传统 CPU、GPU 甚至深度学习芯片 TPU 相比都更加接近于大脑的工作机制。英特尔一直希望这种新形式的芯片可以完成目前 AI 系统无法完成的任务,或至少实现更快的速度。

与当前人工智能领域的人工神经元不同,Loihi 的神经元以数字表达的「脉冲」传输信息,这与人类大脑的处理模式更加类似

模型架构和信号编码。

英特尔高级研究科学家 Nabil Imam 表示:「下一步是将这种方法应用到更广泛的问题上,从感官场景分析到计划或决策等抽象问题。如果我们理解了大脑的神经回路如何解决这些复杂的计算问题,就可为高效和鲁棒的机器智能设计提供重要线索。」

但在此之前,还需要克服一些挑战。系统需要实现将不同但类似的气味归类到同一组,比如它需要分辨出加利福尼亚的草莓和欧洲的草莓是同一种水果。

Nabil Imam 表示:「这些问题超出了我们目前在实验室中已完成的演示实验的范围,也是我们在未来几年内希望解决的问题,使其成为一种能够解决实际问题的产品。」

Loihi:「人脑模拟器」

人类大脑由大约 860 亿个互相连接的神经元组成,英特尔去年 7 月正式推出的「Pohoiki Beach」系统已经做到了 830 万神经元,并已供广大研究人员使用,它包含 64 块 Loihi 研究芯片。

通过 Pohoiki Beach,研究人员可以利用英特尔的 Loihi 研究芯片开展实验。在稀疏编码、图搜索和约束满足问题等专业应用领域,Loihi 能让用户以千倍于 CPU 的速度和万倍于 CPU 的效率处理信息。

英特尔研究院院长 Rich Uhlig 手持一块英特尔 Nahuku 基板,每块基板包含 8 到 32 块英特尔 Loihi 神经形态芯片。英特尔最新的神经形态系统 Pohoiki Beach 由多块 Nahuku 基板组成,含 64 块 Loihi 芯片。

在硬件之上,英特尔还提供了 Loihi 开发工具链:包括 Loihi Python API、编译器和一组用于在 Loihi 上构建和执行 SNN 的执行库。这些工具提供了自定义构建神经、突触计算图的方法,可调整诸如衰减时间、突触权重、脉冲阈值等变量,也可通过自定义学习规则注入外部脉冲来模拟计算图。

英特尔称,与传统处理器相比,Loihi 处理信息的速度要快上 1000 倍,而效率则要高上 1 万倍。在处理某些类型的优化问题上,神经形态处理器的速度和能效要比普通 CPU 强三个数量级以上。此外,英特尔还表示 Loihi 在扩展 50 倍时,在保证算力的情形下仅需增加 30% 的能耗——而常规架构的芯片需要 50 倍能耗。在进行同步定位和映射等操作时,新的芯片比常规 CPU 节省 100 倍能耗。

与人脑中的神经元类似,Loihi 拥有数字轴突用于向临近神经元发送电信号,也有树突用于接收信号,在两者之间还有用于连接的突触。英特尔表示,基于这种芯片的系统已经被用于模拟皮肤的触觉感应、控制假腿和玩桌上足球等任务

因为效率颇高,Pohoiki Beach 和 Loihi 有望成为人工智能算法发展的新动力。英特尔称,新形态的芯片可以在图像识别、自动驾驶和自动化机器人等方面带来巨大技术提升。

面向未来,英特尔表示即将推出一个更大的 Loihi 系统——Pohoki Springs,该系统将拥有超过 1 亿神经元、1 万亿个突触,预计包含 768 颗芯片、1.5 万亿个晶体管。下一代神经形态系统将提供「前所未有的」性能和效率。

参考内容:

https://www.nature.com/articles/s42256-020-0159-4

https://newsroom.intel.com/news/how-computer-chip-smell-without-nose/#gs.0166rj

https://spectrum.ieee.org/tech-talk/artificial-intelligence/machine-learning/intels-neuromorphic-nose-learns-scents-in-just-one-sniff

产业在线学习人工嗅觉神经形态研究芯片英特尔
相关数据
英特尔机构

英特尔(NASDAQ: INTC)是全球半导体行业的引领者,以计算和通信技术奠定全球创新基石,塑造以数据为中心的未来。我们通过精尖制造的专长,帮助保护、驱动和连接数十亿设备以及智能互联世界的基础设施 —— 从云、网络到边缘设备以及它们之间的一切,并帮助解决世界上最艰巨的问题和挑战。

https://www.intel.cn/content/www/cn/zh/homepage.html
相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

权重技术

线性模型中特征的系数,或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0,则相应的特征对模型来说没有任何贡献。

图搜索技术

在计算机科学中,图遍历(也称为图搜索)是指在图中访问(检查/或更新)每个顶点的过程。这样的遍历是按访问顶点的顺序进行分类的。比如,树遍历就是图遍历的一个特例。 与树遍历不同,图遍历可能需要多次访问某些顶点,因为在转换到一个已经被探索的顶点之前,它并不一定是已知的。随着图形变得越来越密集,这种冗余变得更加普遍,导致计算时间增加;随着图形变得越来越稀疏,相反的情况也成立。 因此,通常需要记住哪些顶点已经被算法探索过了,这样就可以尽可能少地重新访问顶点(或者在最坏的情况下,防止遍历无限延续)。这可以通过将图中的每个顶点与在遍历期间的“颜色”或“访问”状态相关联来完成,然后在算法访问每个顶点时检查和更新。如果顶点已经被访问过,它就被忽略了,路径就不再被继续了;否则,算法会检查/更新顶点,并继续它当前的路径。

推荐文章
暂无评论
暂无评论~