类脑芯片新突破，未来可完成只有大型超级计算机能完成的复杂计算.doc

《类脑芯片新突破，未来可完成只有大型超级计算机能完成的复杂计算.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、类脑芯片新突破，未来可完成只有大型超级计算机能完成的复杂计算　　人脑最不可取代的便是其综合处理的能力。人脑被柔软的球状器官所包围，这个器官大约含有一千亿个神经元。在任何特定的时刻，单个神经元可以通过突触（即神经元之间的空间，突触中可交换神经递质）传递指令给数以千计的其它神经元。　　人脑中有总计超过100万亿的突触介导大脑中的神经元信号，在加强一些信号的同时也削弱一些其它信号，使大脑能够以闪电般的速度识别模式（pattern），记住事实并执行其它学习任务。　　最近，麻省理工（MIT）的工程师设计了一种人造突触，可以实现精确控制流过这种突触的电流强度，即类似离子

2、在神经元之间的流动。　　　　图

3、从左至右：MIT研究员ScottH.Tan，JeehwanKim，和ShinhyunChoi。　　该团队已经制造了一个由硅锗制成的人造突触小芯片。在模拟仿真过程中，研究人员发现该芯片及其突触可以识别手写样本，其识别准确率达到95%。　　研究发表在《NatureMaterials》上，这一成果也被认为是迈向用于模式识别和其它学习任务的便携式低功耗神经形态芯片的重要一步。　　一直以来，神经形态计算领域的研究人员都希望能将人脑的能力“复制”到计算机芯片。这样的基于人脑的芯片与现在基于二进制、开／关信号进行计算的数字芯片非常不同，其元

4、件将以模拟的方式进行工作，通过交换梯度信号或权重信号来激活，非常类似神经元依靠流过突触的离子种类和数量来激活。　　　　通过这种方式，小型神经形态芯片可以像大脑一样有效地处理数以百万计的并行计算流，而目前，只有大型超级计算机才有可能实现这种并行计算。这种便携式人工智能技术目前主要的障碍便是神经突触，这在硬件上实在难以实现。　　大多数的神经形态芯片设计均试图模仿神经元之间的突触连接，该连接通过“切换媒介”或类突触空间隔离的两个导电层实现。当施加电压时，离子在开关介质中移动形成导电丝，类似突触的权重将会改变。　　但是，现有设计却很难控制离子的流动。设计者之一Kim

5、说，由于大多数由非晶材料制成的开关介质中离子通过的路径有无限种可能，现有的开关接口包含多条路径，因此难以预测离子究竟走哪一条路。　　这一点就像机械街机游戏Pachinko，通过一系列的引脚和杠杠将小钢珠向下引导或转移使小球离开机器。　　　　图丨JeehwanKim教授　　Kim描述道：“一旦你用一些施加的电压来代表人造神经元（传输）的某些数据，那么你必须能实现擦除并以完全相同的方式再写。但在非晶态固体中，当你再次写入时，因为固体中的许多缺陷，离子会走向不同的方向。因此整个离子流随时在改变，并且不受控制。这就是现在面对的最大的挑战——人造突触的不均匀性。”　　

6、而Kim和他的同事们并没有使用非晶材料来制造人造突触，他们使用了单晶硅。单晶硅的原子顺序有序排列，内部并没有大量缺陷存在。因此，研究小组试图用单晶硅来制造精确的一维线缺陷或位错，使离子能够按照预计路线沿着位错或缺陷流动。　　　　为了实现这一目标，研究人员从硅晶圆开始着手，先在硅晶圆上蚀刻上微观图案，然后再在硅上生长锗形成硅锗微观图案，硅锗材料也是常用于晶体管的材料。由于硅锗的晶格稍大于硅的晶格，Kim发现，这两种晶格不匹配的材料能够形成漏斗状的位错，最终可以形成离子流单一流经路径。　　因此，研究人员制造了一个由硅锗制成的人造突触组成的神经形态芯片，其中每个突

7、触约25纳米。对每个突触施加电压时，所有突触都表现出几乎相同的电流／离子流，突触之间的差异约为4%。与无定形材料制成的突触相比，其性能更为一致。　　　　他们还多次重复测试了一个突触。在循环施加相同的700V电压后发现，每次突触都表现出相同的电流，循环之间的差异只有1%。　　Kim说：“这是我们目前能达到重复性最高的装置，这个装置也是展示人工神经网络的关键。”　　团队最后的测试是探索如何执行实际的学习任务，比如如何识别手写样本。研究人员认为，这是神经形态芯片的首次实际测试。该芯片由输入／隐藏／输出神经元组成，每个神经元经由基于细丝的人造突触连接到其他神经元。　

8、　科学家认为，这样的神经元网络堆栈可以用来学习。例如，当输入为一个手写的1，输出则标记为1，某些输出神经元将被输入神经元和人造突触的权重所激活。当更多手写的1被输入到同一个芯片时，当它们感觉到不同样本的同一个字母的相似特征后，相同的输出神经可能会被激活，从而类似大脑的学习方式。　　　　研究团队还运行了基于此芯片的人工神经网络计算机仿真模拟。他们以常用的手写识别数据库中的样本作为仿真模拟测试的输入样品，在测试了成千上万个样本之后，他们发现，这一神经网络硬件系统的识别精度为95%，而现有的软件算法精度为97%。　　值得注意的是，这次的成果有望为近年涌现的一个新趋

9、势再添一把火，那就是计算能力从云端向终端迁移。目前我