该算法将在受大脑启发的计算系统上实现，例如基于SpiNNaker的SpiNNaker(如下图所示)。SpiNNaker是人脑项目EBRAINS研究基础设施的一部分。功劳:大部分人工智能的新成就都需要非常大的神经网络。它们由排列在几百层中的数亿个神经元组成，也就是说，它们有非常“深”的网络结构。这些大而深的神经网络消耗了计算机的大量能量。那些用于图像分类(例如，人脸和物体识别)的神经网络特别耗费能量，因为它们必须在每个时间周期内以很高的精度将非常多的数值从一个神经元层发送到下一个神经元层。计算机科学专家沃尔夫冈·马斯(Wolfgang Maass)和他的博士生克里斯托夫·施特克尔(Christoph Stckl)现在已经找到了一种人工神经网络的设计方法，为高能效高性能人工智能硬件(例如驾驶辅助系统、智能手机和其他移动设备的芯片)铺平了道路。格拉茨理工大学理论计算机科学研究所的两位研究人员在计算机模拟中优化了人工神经元网络，用于图像分类，使得神经元——类似于大脑中的神经元——只需要发出相对较少的信号，而且发出的信号非常简单。用这种设计证明的图像分类精度仍然非常接近当前图像分类工具的当前技术水平。
作为范例的人脑信息处理
马斯和施特克尔受到了人类大脑工作方式的启发。它每秒处理几万亿次计算操作，但只需要20瓦左右。这种低能耗是通过非常简单的电脉冲，即所谓的尖峰脉冲，通过神经元之间的通信实现的。由此，信息不仅由尖峰的数量编码，还由它们的时变模式编码。“你可以把它想象成莫尔斯电码。信号之间的停顿也传递信息，”马斯解释道。
TU Graz计算机科学家沃尔夫冈·马斯(Wolfgang Maass)正在研究节能AI系统，他的灵感来自人脑的功能。学分:用于训练人工神经网络的伦格哈默尔-图格拉茨转换方法
基于尖峰的硬件可以降低神经网络应用的能耗，这并不新鲜。然而，到目前为止，对于真正好的图像分类所需要的非常深和大的神经网络来说，这是无法实现的。
在Maass和stckl的设计方法中，现在信息的传递不仅取决于一个神经元发出多少个尖峰，还取决于神经元何时发出这些尖峰。尖峰之间的时间或时间间隔实际上对它们自己进行了编码，因此可以传输大量的附加信息。马斯说:“我们表明，在只有几个峰值的情况下——在我们的模拟中平均有两个峰值——处理器之间可以传递的信息就像在更高能耗的硬件中一样多。
来自图格拉茨的两位计算机科学家通过他们的研究结果，为硬件提供了一种新的方法，将很少的峰值和低能耗与人工智能应用的先进性能结合起来。这些发现可能会极大地加速节能人工智能应用的发展，并在《自然机器智能》杂志上发表。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
