IBM发表模拟人脑功能的感知运算核心

2011-08-22 12:00:26 来源:网络 点击:1151

摘要:  藉由以特殊用途硅电路复製人脑神经元(neuron)、突触(synapse)、树状突(dendrite)与轴突(axon)功能, IBM 宣称已经开发出首款客製化感知运算核心(custom cognitive computing cores),将数位棘波神经元与超高密度晶片上纵横栓(crossbar)突触、事件导向通讯(event-driven communication)等功能结合在一起。

关键字:  硅电路,   IBM ,  电脑

藉由以特殊用途硅电路复製人脑神经元(neuron)、突触(synapse)、树状突(dendrite)与轴突(axon)功能, IBM 宣称已经开发出首款客製化感知运算核心(custom cognitive computing cores),将数位棘波神经元与超高密度晶片上纵横栓(crossbar)突触、事件导向通讯(event-driven communication)等功能结合在一起。

上述的IBM研究成果是与美国国防部高等研究计画署(DARPA)合作之「 SyNAPSE (Systems of Neuromorphic Adaptive Plastic Scalable Electronics,神经性自适应塑胶可微缩电子系统)」计画的“零阶段(phase zero)”与“第一阶段(phase one)”最大进展。

IBM现在将与合作伙伴美国哥伦比亚大学、康乃尔大学、加州大学梅西分校(University of California-Merced)与威斯康辛大学麦迪逊分校进入该研究计画的第二阶段,在未来的18个月并将有一笔2,100万美元的资金注入。加计这笔新资金,DARPA截至目前为止已经在该计画投入4,100万美元

SyNAPSE 计画的最终目标,是建立一套内含10亿神经元、100兆突触的「类人脑」$电脑,而且其尺寸与功耗也要与人脑相当。

「我们希望能扩展并补充进行即时性不确定环境(realtime uncertain environments)资讯处理的传统von Neumann电脑架构之功能;」IBM研究中心(IBM Research)计画领导人Dharmendra Modha表示:「感知电脑必须能整合来自情境依赖形式(context dependent fashion)下不同感测器的输入资讯,才能接近人脑的即时性感觉运动回馈迴路(sensory-motor feedback loop)。」

而虽然IBM声称其客製化感知运算核心是业界首创,但欧洲上个月也发表了一项打算利用ARM核心处理器模拟人脑的研究计画 SpiNNaker (参考连结)。

传统von Neumann电脑架构无法处理来自今日感测器元件的多重同步资料流,但人脑能藉由分散式处理以及分布在神经网路的记忆体,轻鬆处理这类任务;值得一提的是,感测器资讯是透过叫做树状突的输入线,将资讯馈入神经元。

神经元会将输入的资讯整合,直到一个极限值;届时它会激发一个脉衝至其输出轴突,该时机是由连接其他神经元的突触权值(weight)来决定。

IBM开发的感知运算晶片尺寸约3mm宽,据说已经证实具备与人类对打电子游戏「Pong」(而且会赢),以及辨识不同形式的手写数字7的能力

至于人脑的模式识别(pattern recognition)功能,是由突触去“学习(learning)”那些连结是最常用的,这使它们变得更强壮,而较少用的连结就会逐渐消失;透过这种模式,神经网路会闭合感觉运动回馈迴路,一旦某个模式藉由感测器的输入资讯被辨别出来,输出运动神经元就会产生反应。

IBM利用纵横栓阵列复製人脑架构来掌管突触,然后这些突触会去学习哪些感官模式是与所渴望的运动控制输出相对应;纵横栓阵列会藉由整合大规模的树状突扇入(fan-in),而将神经元与感测器输入连结,接着送出脉衝到轴突,将个别突触连结馈入网路中其他神经元。

「突触是由纵横栓阵列所实现,其中垂直线是输入树状突,水平线则是输出轴突;」Modha解释:「每个神经元会为了与其他神经元通讯而激发,其记忆体是与处理器完全整合,不同于von Neumann架构的两者分离。」

感知电脑将具备低功耗、与较慢时脉速度特性

据了解,最终的感知电脑虽然内含数十亿神经元,却只有当其神经元激发时才会消耗功率,而且激发时的时脉速度是非常慢的10Hz;因此,整套人脑尺寸的感知电脑,可能只有鞋盒那么大,所消耗电力低于一千瓦。

IBM展示了两款工作塬型晶片,两者都是完全数位化的,将在未来的感知电脑中以核心形式出现;届时是在单晶片上整合数千个该种核心。「我们的晶片有个智慧财产方面的关键进展,也就是它们都是数位化的,让我们能先在超级电脑上进行模拟,再将结果佈置到硅晶片上,使其具备可预测、决定性(deterministic)特点。」Modha表示。

这两款塬型各採用几百万的电晶体,来实现以单核心控制256个神经元;晶片面积小于4mm2,以IBM的 45奈米绝缘上覆硅(SOI) CMOS製程生产。两颗测试用处理器核心唯一的不同处,在于它们所採用的互联纵横栓阵列,一个是配置256k可预先程式化(pre-programmable)突触,一个是配置64k学习式(learning)突触。

以上两种晶片是在IBM的纽约州Fishkill晶圆厂製造,目前在该公司分别位于纽约州与加州圣荷西的T.J. Watson研究中心与IBM研究中心进行测试。

在实际运作时,IBM的晶片会从经验(有数种预设的学习参数)中学习;举例来说,其中一种参数是神经元在整合多个输入资讯后激发的极限值水準(threshold level)。设定在低水準时,其速度可以加快但运作效能较粗糙;设定高水準时,速度较慢但运作效能较精细。

接着当神经元激发时,学习突触会藉由在被使用时改变其权值做适应;IBM在其中实现了Donald Hebb 规则,也就是神经元与神经元之间的某个突触连结越常被使用,其导电性就会因为突触权值被降低而增加。反之,越少被用到的连结就会因为越高的权值,使其在神经网路中几乎消失。

IBM预期该公司所开发的感知电脑可应用在多样化的领域,包括导航、机器视觉(machine vision)、模式识别、联想记忆(associative memory)与分类(classification)等等;到目前为止,它们已经教会了其中一颗晶片认识各种不同笔迹的草写数字「7」,另一颗晶片则是学会如何在与人类对打游戏机「Pong」时取得胜利。

本文为哔哥哔特资讯原创文章,未经允许和授权,不得转载,否则将严格追究法律责任;
Big-Bit 商务网

请使用微信扫码登陆

x
凌鸥学园天地 广告