神经形态硬件上的粒子模拟。鸣谢:Darby Smith et al .在过去的十几年里，世界各地的许多研究人员一直在试图开发受大脑启发的计算机系统，也称为神经形态计算工具。这些系统中的大多数目前用于运行深度学习算法和其他人工智能(AI)工具。桑迪亚国家实验室的研究人员最近进行了一项研究，评估神经形态结构执行不同类型计算的潜力，即随机行走计算。这些计算涉及数学空间中的一系列随机步骤。该团队发表在《自然电子学》上的研究结果表明，神经形态架构可能非常适合实现这些计算，因此可能超越机器学习应用。
“过去大多数与神经形态计算相关的研究都集中在认知应用上，如深度学习，”进行这项研究的研究人员之一詹姆斯·布拉德利·艾蒙告诉TechXplore。“虽然我们也对这一方向感到兴奋，但我们想问一个不同的补充问题:神经形态计算能否在我们的大脑无法真正解决的复杂数学任务中表现出色？”
计算机科学界迄今为止一直排除类脑计算机系统在复杂的数学任务中表现出色的可能性。Aimone和他的同事最近的研究表明，与预期相反，这可能是事实。更具体地说，该团队发现，这些芯片还可能有望使用随机行走计算来模拟离散时间马尔可夫链(即，一个著名的物理模型)。
“我们基本上认识到，大脑(以及神经形态计算)与传统计算机相比，具有不同类型的并行计算架构，”Aimone解释道。“当我们查看许多类型的科学计算问题时，我们认识到蒙特卡罗随机行走是一类特殊的问题，如果我们聪明地重新构建随机行走数学以适应这些平台，它们可以自然地适合神经形态架构。”
最近这项研究背后的团队包括数学家、计算机工程师和理论神经科学家艾蒙。结合他们的专业知识，研究人员能够在神经形态计算的背景下检查蒙特卡洛模拟，迄今为止，蒙特卡洛模拟主要是使用传统计算工具实现的。这使得他们能够展示神经形态结构的潜力，以完成一个著名的复杂数学任务，这可能具有“神经形态优势”。
Aimone和他的同事表明，神经形态硬件比其他系统更节能，因为它可以比传统的CPU和GPU执行更多的每焦耳随机行走计算。此外，尽管神经形态芯片仍然比现有的CPU和GPU慢，但研究小组发现，随着问题变得更大、更复杂，这种速度差异会减小。
“鉴于神经形态硬件继续快速改进，更大的系统将很快可用，我们预计这种优势将继续增长，以解决更大的问题，”Aimone说。“有许多现实世界的应用程序使用蒙特卡罗随机行走模型作为其计算工作负载的一部分，包括计算生物学、材料科学、金融建模和人工智能。然而，通常这些模型的运行在计算上是昂贵的，这具有巨大的能量、时间和财务成本。”
神经形态硬件仍处于发展的早期阶段，但它们将逐渐变得容易获得和更容易编程。一旦这种情况发生，这组研究人员最近的研究可能会激发使用大脑激发的系统来更有效地解决数学问题。
“我们希望我们的发现将使随机行走计算任务的执行比现在更便宜、更节能，”艾蒙说。"这反过来将使计算变得更便宜，对气候更友好."
Aimone和他的同事最近的研究主要集中在简单的随机行走模拟上，例如那些代表扩散过程的模拟。然而，在未来，该团队还想测试神经形态芯片运行更复杂的随机行走模拟的潜力。
“我们假设，我们看到的神经形态计算的优势将在更复杂的随机行走中变得更加明显，但我们需要探索如何用神经元模拟更复杂的物理，”Aimone补充道。“此外，现在我们认识到神经形态硬件非常适合概率计算应用，如蒙特卡罗随机行走，我们正在回顾大脑可能在其自然架构中使用概率计算的地方，以获得大脑启发的人工智能新算法的潜在想法。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
