到底能不能設計出為人工智慧打造的神經網絡晶片

2020-12-06 電子發燒友

到底能不能設計出為人工智慧打造的神經網絡晶片

21IC 發表於 2020-06-13 10:33:28

  大腦是人體最重要的器官之一,它支撐著人的視覺、聽覺、平衡、味覺、嗅覺、記憶、情感、學習等。大腦的構造十分複雜,由大約1千億個神經元(Neuron)組成,並由約100萬億個突觸(Synapse)連接。這些神經元與突觸一起構成了一個極其龐大的生物神經網絡。

  大腦具有極其強大的計算與學習能力,其邏輯功能與記憶功能密切關聯,能以極低的功耗並行地處理大量數據。即便是如今最強大的超級計算機,在執行模式識別、風險管理等類似複雜任務時,也無法與人腦相抗衡。

  生物神經網絡中的神經元與突觸

  時下,一種由人腦啟發的新型計算機,也稱為「類腦計算機」或者「神經形態計算機」,成為了一個新興的研究領域,吸引了物理、化學、材料、數學、電子與計算機科學等一系列領域的科學家們的廣泛興趣。

  基於光線的腦啟發晶片示意圖。

  神經形態計算是一種新型計算架構,旨在模仿大腦處理、加工信息的過程,將存儲元件與計算元件整合到同一晶片中。它突破了傳統的馮·諾依曼體系結構帶來的瓶頸:數據需要在CPU和內存之間來回移動,而CPU運算速度較快,內存訪問速度較慢,造成了所謂的「內存牆」問題。

  神經形態計算,模仿了神經系統,採用了全新的架構。在這種架構中,記憶和信號處理的功能共同處於「記憶元件(憶阻器、憶容器、憶感器)」中。記憶元件組成類似突觸的硬體系統,模仿自然信息處理、學習和記憶。

  近日,美國麻省理工學院(MIT)的研究人員設計出一款「晶片上的大腦」,它比一片五彩紙屑還小,由數以萬計的人工大腦突觸製成。這種突觸稱為「憶阻器」,是一種矽基元件,可以模仿人腦中傳遞信息的突觸。

  研究人員借鑑了冶金學的原理,用銀和銅合金以及矽製成每個憶阻器。當他們用這款晶片來運行幾個視覺任務時,晶片可以「記住」存儲的圖像,並重複多次複製它們,這個版本比由非合金元素製造的現有憶阻器更清晰、更乾淨。

  他們的研究成果於6月8日發表在《自然·納米技術(Nature Nanotechnology)》雜誌上,展示的這款新型憶阻器設計非常有望應用於神經形態器件。這些電子器件基於一種新型電路,這種電路處理信息的方式模仿了大腦架構。這種腦啟發的電路可以構造到小型可攜式器件中,並能處理只有當今超級計算機才能處理的複雜計算任務。

  MIT 機械工程系副教授 Jeehwan Kim 表示:「迄今為止,人工突觸網絡以軟體的形式存在。我們正在嘗試為可攜式人工智慧系統打造真正的神經網絡硬體。讓我們想像一下,將神經形態器件連接至你汽車上的攝像頭,讓它能夠識別光線和物體,並立即作出決策,而無需連接到網際網路。我們希望採用高能效的憶阻器在現場實時地執行這些任務。」

  遊蕩離子憶阻器,或者說存儲電晶體,是神經形態計算中不可或缺的元素。在神經形態器件中,憶阻器將充當電路中的電晶體,儘管其工作起來更像大腦突觸(兩個神經元之間的連接)。突觸以離子形式從一個神經元接收信號,並向下一個神經元發送相應的信號。

  常規電路中的電晶體通過在兩個值(0和1)之間切換來傳輸信息,並且僅當其接收到電流形式的信號達到特定強度時才這樣做。相比之下,憶阻器將沿著梯度工作,很像大腦中的突觸。它產生的信號將根據其接收到的信號強度而變化。這將使單個憶阻器具有多個值,因此執行運算的範圍比二進位電晶體大得多。類似於大腦突觸,憶阻器還能「記住」與給定電流強度相關的值,並在下次接收相似電流時產生完全相同的信號。這可以確保複雜方程式的答案或者對某個對象的視覺分類是可靠的,這一技能通常涉及多個電晶體和電容器。

  最終,科學家們設想,憶阻器將比傳統電晶體需要更少的晶片空間,從而使功能強大的可攜式計算裝置不依賴於超級計算機,甚至無需連接到網際網路。

  但是,現有的憶阻器設計在性能上受限。單個憶阻器由正電極和負電極製成,被「開關介質」或者電極之間的空間分開。向一個電極施加電壓時,來自那個電極的離子流過介質,形成通向另一個電極的「導電通道」。接收到的離子組成了電信號,而憶阻器將這些電信號沿著電路傳輸。離子通道(以及憶阻器最終產生的信號)的大小應與激勵電壓的強度成比例。

  Kim 表示,在電壓刺激較大的導電通道,或者離子從一個電極到另一個電極的大量流動的情況下,現有的憶阻器工作得很好。但是,當憶阻器需要通過更細的導電通道產生更微弱的信號時,這些設計的可靠性就會降低。

  導電通道越細,從一個電極到另一個電極的離子流越輕,單個離子待在一起的難度就越大。相反,它們傾向於脫離團隊,在媒介中分散。結果,當在一定的低電流範圍內受到激勵時,接收電極難以可靠地捕獲相同數量的離子,從而傳輸相同的信號。

  Kim 及其同事通過借鑑冶金學找到了突破這一局限的方法,冶金學是將金屬熔煉成合金並研究其綜合性能的科學。

  Kim 表示:「傳統意義上,冶金學家試圖將不同的原子添加到塊狀基質中以增強材料,而我們認為,為什麼不稍微調整憶阻器中的原子相互作用,並添加一些合金元素來控制離子在我們介質中的運動。」

  工程師通常用銀作為憶阻器的正極材料。Kim 的團隊仔細研究文獻找到了一種元素,將它與銀結合,從而將銀離子有效地保持在一起,同時允許它們快速地流到另一個電極。

  研究團隊認為銅是理想的合金元素,因為它既能與銀結合,也能與矽結合。

  Kim 說:「它起到了橋梁的作用,並穩定了銀-矽界面。」

  為了使用新合金製造憶阻器,該團隊首先用矽製成了負極,然後沉積少量的銅,再沉積一層銀,製成正極。他們將兩個電極像三明治一樣夾在非晶矽介質周圍。通過這種方式,他們用數以萬計的憶阻器製作成的圖案裝飾一平方毫米的矽晶片。

  作為對這款晶片的首次測試,他們重新創建了美國隊長盾牌的灰度圖像。他們將圖像中的每個像素對應於晶片中相應的憶阻器。然後,他們調製每個憶阻器的電導,其強度與對應像素中的顏色相關。

  這款新型晶片(上左)有銀-銅合金製成,以數以萬計的人工突觸或稱「憶阻器」圖案進行修飾。當每個憶阻器受到對應於某一像素的特定電壓激勵,並逐漸變為灰度圖像(在這個案例中是美國隊長的盾牌)時,這款晶片就重新創建了同樣的清晰圖像,比通過其他材料的憶阻器製成的晶片更加可靠。

  與其他材料製成的晶片相比,該晶片可產生相同的盾牌清晰圖像,並能「記住」該圖像並多次複製。

  該團隊也讓晶片執行了圖像處理任務,通過幾種特殊的方法對憶阻器編程以改變圖像(在這個案例中是 MIT 的基裡安方庭「Killian Court」),包括銳化和模糊原始圖像。又一次,他們的設計比現有的憶阻器設計更可靠地生成重新編程的圖像。

  MIT 製造的這款新型「晶片上的大腦」對 MIT 的基裡安方庭圖像進行了比現有的神經形態設計更可靠的再加工,包括銳化和模糊原始圖像。

  Kim 表示:「我們正在使用人工突觸進行真實的推理測試。我們想要進一步開發這項技術,用更大的陣列來執行圖像識別任務。有一天,你也許可以攜帶人造大腦來執行這些任務,而無需連接到超級計算機、網際網路或雲。」

打開APP閱讀更多精彩內容

聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容圖片侵權或者其他問題,請聯繫本站作侵刪。 侵權投訴

相關焦點

  • 新型「晶片上的大腦」:為可攜式人工智慧系統打造神經網絡硬體
    導讀據美國麻省理工學院官網近日報導,該校研究人員設計出一款「晶片上的大腦」。它比一片五彩紙屑還小,由數以萬計的人工大腦突觸製成。這些神經元與突觸一起構成了一個極其龐大的生物神經網絡。這種腦啟發的電路可以構造到小型可攜式器件中,並能處理只有當今超級計算機才能處理的複雜計算任務。MIT 機械工程系副教授 Jeehwan Kim 表示:「迄今為止,人工突觸網絡以軟體的形式存在。我們正在嘗試為可攜式人工智慧系統打造真正的神經網絡硬體。讓我們想像一下,將神經形態器件連接至你汽車上的攝像頭,讓它能夠識別光線和物體,並立即作出決策,而無需連接到網際網路。
  • 新型神經網絡晶片:由憶阻器構成,為人工智慧提速!
    導讀人工智慧發展迅猛,而時間和能量的大量損耗仍然是制約其性能的一個瓶頸。最近,法國科學家利用憶阻器開發出一種神經網絡晶片,對於人工智慧來說,不僅降低它的能耗,而且還提升了速度。背景分析谷歌開發出TPU、AlphaGo戰勝李世石、無人駕駛汽車上路,一些列的事件讓人工智慧再次成為萬眾矚目的焦點。無論是國外的谷歌、微軟、英特爾,還是國內的百度、騰訊、阿里,科技巨頭們都紛紛在人工智慧領域,採取了一些列的動作。過去幾年時間,人工智慧之所以取得很大發展,神經網絡的作用不可忽視,它具有學習能力,可以處理機器系統之前無法勝任的任務。
  • 首顆人工智慧神經網絡平臺晶片落地成都,人工智慧產業進入新階段
    實際上,人工智慧與硬體相結合後「進化」出的神經網絡晶片,在未來必將會有更大的想像空間。深思創芯團隊這一想法和判斷並非毫無根據的憑空幻想。作為全球為數不多的有能力開發硬體人工智慧晶片的高科技公司,深思創芯的核心研發團隊一直在專注於人工智慧神經網絡晶片的設計、研發。這支由40%博士+60%碩士組成的核心研發團隊,從底層技術做起,將核心技術應用於硬體人工智慧領域。
  • 中科院計算所提出圖神經網絡加速晶片設計
    圖神經網絡加速晶片之後有望成為主流的機器學習晶片。近日,《中國計算機學會通訊》(CCCF)刊發了中科院計算所特別研究助理嚴明玉、研究員範東睿以及研究員葉笑春,共同撰寫的綜述文章《圖神經網絡加速晶片:人工智慧「認知智能」階段起飛的推進劑》。
  • 神經網絡與人工智慧應用
    工信部於2017年12月14日印發了《促進新一代人工智慧產業發展三年行動計劃(2018-2020年)》,明確以信息技術與製造技術深度融合為主線,以新一代人工智慧技術的產業化和集成應用為重點,推進人工智慧和製造業深度融合,加快製造強國和網絡強國建設。
  • 類腦計算:從神經網絡到真正的人工智慧丨 CCF-GAIR 2019
    峰會由中國計算機學會(CCF)主辦,雷鋒網、香港中文大學(深圳)承辦,深圳市人工智慧與機器人研究院協辦,得到了深圳市政府的大力指導,是國內人工智慧和機器人學術界、工業界及投資界三大領域的頂級交流博覽盛會,旨在打造國內人工智慧領域極具實力的跨界交流合作平臺。
  • 如何在統一架構的同時高效處理各種稀疏度人工神經網絡矩陣?
    由於剪枝和 RELU 等操作,神經網絡的權重和激活矩陣中存在廣泛的稀疏性分布,且不同網絡和同一網絡不同層的稀疏度各不相同,其稀疏度分布範圍高達 4-90%。由於不同稀疏度矩陣運算對於計算和存儲電路要求各不相同,提出一種統一架構同時高效處理各種稀疏度的人工神經網絡矩陣,是人工智慧晶片設計領域的一大難題。
  • 首個支持兩個神經網絡的類腦晶片 三大科學城成創新高地
    驅動自行車的是一塊指甲大小的類腦晶片——清華大學類腦計算中心研發的「天機芯」。新京報記者今天從北京科技周上獲悉,「天機芯」下一代產品最早將於今年年底面市,將應用於自動駕駛、輔助教學等領域。首個支持兩個神經網絡的類腦晶片北京市政府辦、北京市科委今天召開「基礎研究、應用基礎研究重大創新成果」新聞發布會。清華大學類腦計算研究中心教授張悠慧介紹了天機系列類腦計算晶片。
  • ISSCC 2019 | 清華大學團隊研製高能效通用神經網絡處理器晶片...
    該晶片在算法,架構和電路三方面進行了聯合優化,在變換域進行神經網絡加速,並使用可轉置存儲器復用數據,使得晶片的能效和面積相較於之前的研究都有顯著的提升。隨著 AI 技術的不斷發展,單一的網絡結構已經很難滿足不同領域的任務需求。常見的應用諸如圖像識別或機器翻譯分別需要卷積神經網絡或循環神經網絡的支持。而不同網絡意味不同的計算模式,在帶寬和計算資源上也會有各自的限制。
  • 人工智慧神經網絡和生物大腦有什麼區別 神經網絡將如何發展
    人工與自然學習在人工智慧的整個歷史中,科學家一直將自然作為開發能夠表現出智能行為的技術的指南。自從該領域的歷史開始以來,符號人工智慧和人工神經網絡就構成了開發AI系統的兩種主要方法。這些藍圖指定的電路為先天行為以及動物一生中發生的任何學習提供了基礎。那麼,基因組到底包含什麼呢?答案因人而異。例如,在蠕蟲等超簡單的生物中,基因組包含了整個神經連接的所有細節。但是對於像人腦這樣的複雜系統,它具有大約如果有1000億個神經元和100萬億個突觸,就無法對基因組中的所有內容進行編碼,而基因組的空間約為1 GB。
  • 什麼是人工智慧神經網絡? 神經網絡是怎麼應用到各領域的?|什麼|...
    川北在線核心提示:原標題:什麼是人工智慧神經網絡? 神經網絡是怎麼應用到各領域的?   歷史上,科學家還設計過多層的神經網絡,每一層都會對前一層傳來的結果進行再次加工,目的是模擬出一種「深思熟慮」的感覺,但最後發現結果準確度並沒有提高,有的時候還會陷入誤區,就像人容易朝著一個思路越陷越深,最後鑽牛角尖了一樣。隨著技術進步,讓這一問題得到改善。現在,最厲害的神經網絡技術不但已經非常接近人腦,還排除了很多人腦自身存在的低效的思維方式。
  • 人工智慧利用神經網絡來控制機器
    人工智慧利用神經網絡來控制機器,或者是人工智慧根據預定的規則來控制機器.人工智慧可以用於搜索,診斷,預測,監控和機器人等諸多方面.人工智慧為人類提供了創造性解決方案,這個解決方案不僅能創造出改變,同時還能控制它們.世界對於人工智慧抱有非常樂觀的態度,因為它們讓人類工作變得更加高效.然而,智能的出現時間還很短暫,遠沒有到大眾普遍接受的階段.那麼,人工智慧未來的發展方向到底是什麼
  • 深度學習進入晶片領域,揭秘寒武紀神經網絡處理器
    在若干代表性神經網絡上的實驗結果表明,DianNao的平均性能超過主流CPU核的100倍,但是面積和功耗僅為1/10,效能提升可達三個數量級;DianNao的平均性能與主流GPGPU相當,但面積和功耗僅為主流GPGPU百分之一量級。DianNao的核心問題是如何讓有限的內存帶寬餵飽運算功能部件,使得運算和訪存平衡,從而達到高效能比。
  • 研究人員以神經形態晶片打造超靈敏「電子鼻」
    Imam與來自英特爾和康乃爾大學的科學家團隊正於計算機晶片上建立數學算法,以仿真大腦嗅覺系統聞到氣味後的神經網絡運作模式。XZ1EETC-電子工程專輯(來源:Walden Kirsch/Intel)XZ1EETC-電子工程專輯英特爾研究人員與康乃爾大學的嗅覺神經生理學家合作打造了一套仿真大腦嗅覺系統的新測試系統,採用英特爾的Loihi神經形態運算晶片,以處理來自化學傳感器的一系列數據。
  • Imagination 的神經網絡加速器在邊緣計算領域的應用
    今天,2019 SiFive Tech workshop在深圳舉行,IC晶片領域的兩百多位設計人員到場參會交流目前最熱門的RISC-V處理器開發,作為SiFive的DesignShare生態系統合夥夥伴,Imagination Technologies不僅在現場演示了最新新神經網絡加速演示,公司高級技術專家李安也發表《神經網絡加速賦能端側智能》介紹了Imagination
  • 新型光碟機動晶片:打造更小巧的人工智慧!
    導讀據澳大利亞皇家墨爾本理工大學官網近日報導,該校領導的國際科研團隊開發出一項新的人工智慧技術,它將成像、處理、機器學習和存儲功能集成到由光碟機動的單顆電子晶片中。人工智慧系統的基礎是用生物啟發的神經形態視覺組件來處理可見和不可見的電磁頻譜。實現一個結合內置存儲與信號處理能力的成像單元,對於部署高效的類腦視覺系統來說是重要且緊急的。但是,目前我們缺少一個無需施加交流極性電信號、完全由光控制的平臺,這一點阻礙了技術的進步。
  • 人工智慧神經網絡你知道是什麼嗎
    通俗來講,就是讓機器能像人一樣思考。這個無需解釋太多,因為通過各種科幻電影我們已經對人工智慧很熟悉了。大家現在感興趣的應該是——如何實現人工智慧? 從1956年夏季首次提出「人工智慧」這一術語開始,科學家們嘗試了各種方法來實現它。這些方法包括專家系統,決策樹、歸納邏輯、聚類等等,但這些都是假智能。直到人工神經網絡技術的出現,才讓機器擁有了「真智能」。
  • 人工智慧與設計(1):人工智慧的發展和定義
    當時主要成就:人工神經網絡在30-50年代被提出,1951年Marvin Minsky製造出第一臺神經網絡機貝爾曼公式(增強學習雛形)被提出感知器(深度學習雛形)被提出搜索式推理被提出自然語言被提出首次提出人工智慧擁有模仿智能的特徵,懂得使用語言,懂得形成抽象概念並解決人類現存問題Arthur Samuel在五十年代中期和六十年代初開發的西洋棋程序
  • 人工智慧、機器學習、神經網絡和深度學習之間是什麼樣的關係?
    但是大家在關注或研究人工智慧領域的時候,總是會遇到這樣的幾個關鍵詞:深度學習、機器學習、神經網絡。那他們之間到底是什麼樣的關係呢?本文引用地址:http://www.eepw.com.cn/article/201806/381185.htm  先說人工智慧,人工智慧是在1956年一個叫達特茅斯會議上提出的。
  • 英特爾很嚇人AI技術:神經網絡處理器及VPU性能飆升3-4倍
    在本次AI開發者大會上,Rao就爽快公開了英特爾新一代AI芯——英特爾Nervana NNP-L1000,代號為「Spring Crest」的專用人工智慧晶片,而這款晶片也即將成為英特爾第一款商用神經網絡處理器產品,並計劃在2019年發布。儘管Rao並沒有再多透露新代AI晶片的細節,但同為Nervana創始團隊的Carey Kloss卻掌握著機密——我們當然不會放過他。