人工智能技术的进步正在导致模拟大脑生物学的神经网络的发展。功劳:KAUST一个模仿大脑生物学的神经网络可以被装载到微芯片上，实现更快、更高效的人工智能。微芯片上的仿生“尖峰”神经网络使KAUST研究人员能够为开发更高效的基于硬件的人工智能计算系统奠定基础。
人工智能技术发展迅速，高级自动化、数据挖掘和解释、医疗保健和营销等领域的新应用激增。这种系统基于由决策节点层组成的数学人工神经网络。标记数据首先被输入系统，以“训练”模型以某种方式做出响应，然后决策规则被锁定，模型在标准计算硬件上投入使用。
虽然这种方法有效，但它是组成我们大脑的更复杂、更强大、更高效的神经网络的笨拙近似。
“人工神经网络是一种抽象的数学模型，与真实的神经系统几乎没有相似之处，需要强大的计算能力，”该研究团队的博士生郭说。另一方面，尖峰神经网络的构建和工作方式与生物神经系统相同，可以以更快、更节能的方式处理信息
尖峰神经网络(SNNs)将神经系统的结构模拟为突触网络，这些突触以动作电位或尖峰的形式通过离子通道传输信息。这种事件驱动的行为，在数学上被实现为一种“泄漏的集成-开火模型”，使得snn非常节能。此外，互连节点的结构提供了高度的并行化，这进一步提高了处理能力和效率。它也适合作为神经形态芯片直接在计算硬件中实现。
“我们使用了一个标准的低成本FPGA微芯片，并实现了一个依赖于尖峰时间的可塑性模型，这是在我们大脑中发现的生物学习规则，”郭说。
重要的是，这种生物模型不需要教学信号或标签，允许神经形态计算系统在没有训练的情况下学习真实世界的数据模式。
“由于模型非常复杂，我们面临的主要挑战是调整神经网络设置以获得最佳性能，”郭说。“然后，我们设计了最佳的硬件架构，考虑了成本、速度和能耗的平衡。”
该团队的芯片大脑被证明比其他神经网络平台快20多倍，能效高200倍。
“我们的最终目标是构建一个紧凑、快速、低能耗的类大脑硬件计算系统。下一步是改进设计和优化产品封装，使芯片小型化，并通过合作为各种工业应用进行定制，”郭说。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
