桑迪亚国家实验室的研究人员观察到的IBM TrueNorth和Intel Loihi神经形态芯片都比传统的计算硬件明显更节能，这显示了神经形态的优势。该图显示，Loihi每单位能量可执行的计算比传统处理器多10倍。能源是一个限制因素——可以插入更多的芯片来并行运行，因此速度更快，但是无论是一台计算机做所有的事情还是一万台计算机做所有的事情，电费都是一样的。鸣谢:桑迪亚国家实验室桑迪亚国家实验室的研究人员通过插入一点数学知识，证明了神经形态计算机可以综合复制大脑的逻辑，可以解决比人工智能更复杂的问题，甚至可能在高性能计算中赢得一席之地。桑迪亚理论神经科学家兼首席研究员詹姆斯·布拉德利·艾蒙说，这些发现在《自然电子学》杂志的一篇最近的文章中详细介绍了这些发现，这些发现表明，使用称为随机行走的统计方法的神经形态模拟可以跟踪穿过骨骼和软组织的X射线，在人群中传播的疾病，通过社交网络流动的信息和金融市场的运动，以及其他用途。
“基本上，我们已经表明神经形态硬件可以产生与许多应用相关的计算优势，而不仅仅是与它明显相关的人工智能，”Aimone说。"新发现的应用范围从辐射传输和分子模拟到计算金融、生物建模和粒子物理."
他说，在最佳情况下，神经形态计算机将比传统计算更快地解决问题，并使用更少的能量。
Aimone说，这些大胆的断言应该会引起高性能计算界的兴趣，因为寻找解决统计问题的能力越来越受到关注。
“这些问题并不真正适合GPU(图形处理单元)，这是未来的亿亿次系统可能要依赖的，”Aimone说。“令人兴奋的是，以前没有人真正研究过这些类型应用的神经形态计算。”
桑迪亚工程师兼论文作者布莱恩·弗兰克(Brian Franke)表示，“你列出的进程的自然随机性将使它们在下一代计算工作中直接映射到GPU等矢量处理器上时效率低下。与此同时，神经形态架构是一种有趣且完全不同的粒子模拟替代方案，可能会导致一种可扩展且节能的方法来解决我们感兴趣的问题。”
Franke对光子和电子辐射进行建模，以了解它们对组件的影响。
Aimone说，该团队成功地应用神经形态计算算法来模拟气体分子通过屏障扩散的随机行走，这是一个基本的化学问题，使用的是Sandia大约一年半前从英特尔公司获得的5000万芯片Loihi平台。“然后我们表明，我们的算法可以扩展到更复杂的扩散过程，在一系列应用中有用。”
这些说法并不意味着挑战用于运行公用设施、台式机和手机的标准计算方法的主导地位。“然而，在某些领域，计算速度和较低的能源成本的结合可能会使神经形态计算成为最终的理想选择，”他说。
来源:桑迪亚国家实验室艾蒙说，与向量子计算机添加量子位带来的困难不同——这是超越传统计算限制的另一种有趣方法——含有人工神经元的芯片便宜且易于安装。
将数据移入或移出神经芯片处理器的成本仍然很高。桑迪亚数学家兼论文作者威廉·塞韦拉说:“当你收集更多时，系统会变慢，最终它根本不会运行。”“但我们通过配置一小组有效计算汇总统计数据的神经元克服了这一点，我们输出这些汇总数据，而不是原始数据。”
Severa写了几个实验的算法。
像大脑一样，神经形态计算的工作原理是给小的针状结构通电，添加周围传感器发出的微小电荷，直到达到一定的电平。然后，这个针就像生物神经元一样，发出微小的电脉冲，这个动作被称为尖峰脉冲。Aimone说，与传统计算机中信息传递的计量规则不同，神经形态计算的人工神经元不规则地闪烁，就像大脑中的生物神经元一样，因此可能需要更长的时间来传输信息。但是因为这个过程只在传感器和神经元贡献数据时消耗它们的能量，所以它比形式计算需要的能量少，形式计算必须轮询每个处理器是否有贡献。概念上基于生物的过程有另一个优势:它的计算和存储组件存在于同一结构中，而传统计算通过这两个功能之间的远距离转移来消耗能量。Aimone说，人工神经元的缓慢反应时间最初可能会降低其解决方案的速度，但随着神经元数量的增加，这一因素会消失，因此在同一时间段内可以获得更多的信息。
这个过程从使用马尔可夫链开始，马尔可夫链是一种数学构造，像垄断棋盘一样，下一个结果只取决于当前状态，而不是所有先前状态的历史。桑迪亚的数学家和论文作者达比·史密斯说，这种随机性与大多数相关事件形成对比。例如，他说，病人必须留在医院的天数至少部分取决于之前的住院时间。
从马尔可夫随机基础开始，研究人员使用蒙特卡罗模拟，一种基本的计算工具，来运行一系列随机行走，试图覆盖尽可能多的路线。
“蒙特卡罗算法是辐射传输问题的自然解决方法，”弗兰克说。"模拟粒子的过程反映了物理过程."
每次步行的能量被一个人工神经元记录为单个能量尖峰，该神经元依次读取每次步行的结果。“总的来说，这种神经网络比普通计算机必须记录的每一次行走的每一个瞬间更加节能。这部分解释了神经形态过程的速度和效率。他说，使用同样多的能量，更多的芯片将有助于该过程进行得更快。
桑迪亚的研究人员Craig Vineyard说，Loihi的下一个版本将把目前的芯片规模从每芯片128，000个神经元增加到100万个。然后，更大规模的系统将多个芯片组合到一块板上。
“也许像Loihi这样的技术可以找到进入未来高性能计算平台的方法是有意义的，”Aimone说。“这可能有助于提高高性能计算的能效、气候友好性，并且更加经济实惠。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
