img

基金

左起:麻省理工学院的研究人员Scott H Tan,Jeehwan Kim和Shinhyun Choi图片:Kuan Qiao谈到处理能力,人类的大脑无法被击败在湿软的足球大小的器官中包装大约有1000亿个神经元在任何特定时刻,单个神经元可以通过突触将指令传递给成千上万的其他神经元 - 神经元之间的空间,神经递质在其间交换有超过100万亿个突触介导大脑中的神经元信号传导,加强一些连接,同时修剪其他神经元,在一个使大脑能够识别模式,记住事实,并以闪电般的速度执行其他学习任务的过程中,新兴的“神经形态计算”领域的研究人员试图设计像人类大脑一样工作的计算机芯片而不是携带基于二进制,开/关信令的计算,就像今天的数字芯片一样,“芯片上的大脑”的元素可以在模拟中工作时尚,交换信号的梯度,或“权重”,就像神经元以各种方式激活,取决于流经突触的离子的类型和数量这样,小神经形态芯片可以像大脑一样有效地处理数百万目前只有大型超级计算机才能实现的并行计算流程但是这种便携式人工智能的一个重大障碍就是神经突触,这在硬件中重现尤其棘手现在麻省理工学院的工程师设计了一个人工智能突触以这样的方式,他们可以精确控制流过它的电流强度,类似于离子在神经元之间流动的方式团队已经建立了一个带有人工突触的小芯片,由硅锗制成在模拟中,研究人员发现芯片及其突触可用于识别手写样本,准确率达95%

设计,发布了toda在“自然材料”期刊中,向构建用于模式识别和其他学习任务的便携式低功率神经形态芯片迈出了重要一步该研究由Jeehwan Kim领导,他是1947年机械部门职业发展助理教授工程与材料科学与工程,以及麻省理工学院电子与微系统技术实验室研究实验室的首席研究员他的合着者是Shinhyun Choi(第一作者),Scott Tan(共同第一作者),Zefan Li,Yunjo Kim,Chanyeol Choi和麻省理工学院的Hanwool Yeon,以及亚利桑那州立大学的Pai-Yu Chen和Shimeng Yu太多路径大多数神经形态芯片设计试图模仿神经元之间的突触连接,使用两个由“切换介质”或突触分隔的导电层

像空间当施加电压时,离子应该在开关介质中移动以产生导电细丝,类似于突触的“重量”但现在很难控制现有设计中的离子流量Kim说这是因为大多数由非晶材料制成的开关介质都有无限可能的离子可以通过的路径 - 有点像Pachinko,一个漏斗小的机械街机游戏钢球通过一系列销钉和杠杆向下移动,这些销钉和杠杆可以将球转移或引导出机器像Pachinko一样,现有的切换介质包含多条路径,这使得难以预测离子将通过何处通过Kim说可以创建突触性能中不必要的不​​均匀性“一旦你用你的人工神经元施加一些电压代表一些数据,你必须擦除并能够以完全相同的方式再次写入它,”Kim说,“但是在一个无定形的实体中,当你再次写,离子向不同的方向,因为有很多缺陷这条流正在改变,很难控制这是最大的问题 - nonuni人工突触的形成性“完美的不匹配”Kim和他的同事们不再使用无定形材料作为人工突触,他们研究的是单晶硅,这是一种无缺陷的导电材料,由原子排列成连续有序的排列

团队寻求创造一个精确的,一维的线缺陷或位错,通过硅,离子可以预测流动通过这样做,研究人员开始使用硅晶片,类似于微观分辨率,鸡丝图案 然后,他们在硅晶片顶部生长出类似的硅锗图案 - 一种也常用于晶体管的材料 - 硅锗的晶格略大于硅晶格,而金发现这两种完全不匹配的材料可以形成一个漏斗类似的错位,创造一条离子可以流动的单一路径研究人员制造了一个由硅锗制成的人工突触组成的神经形态芯片,每个突触测量大约25纳米穿过它们对每个突触施加电压,发现所有突触都或多或少地表现出来相同的电流或离子流,突触之间的变化约为4% - 与非晶材料制成的突触相比,性能更均匀他们还在多次试验中测试了单个突触,在700次循环中应用相同的电压,并发现突触表现出相同的电流,周期与周期只有1%的变化“这就是mo我们可以实现的统一设备,这是展示人工神经网络的关键,“Kim说,写作,认可作为最后的测试,Kim的团队探索了如果要执行实际的学习任务,它的设备将如何执行 - 具体来说,识别样本手写,研究人员认为是神经形态芯片的第一个实际测试这样的芯片将由“输入/隐藏/输出神经元”组成,每个神经元通过基于灯丝的人工突触连接到其他“神经元”科学家认为这样的神经网络堆栈可以例如,当输入一个手写的'1'输出,输出标记为'1'时,输入神经元将激活某些输出神经元,并从人工突触中激活重量

手写的'1'被送入同一芯片,当相同的输出神经元感知同一个字母的不同样本之间的相似特征时,可以激活相同的输出神经元,从而“学习” Kim和他的同事以类似于大脑的方式运行了一个人工神经网络的计算机模拟,该神经网络由三层通过两层人工突触连接的神经层组成,其性质基于其实际神经形态芯片的测量结果他们从神经形态设计师常用的手写识别数据集中模拟了数万个样本,并发现他们的神经网络硬件在95%的时间内识别手写样本,而现有软件算法的准确率为97%

在制作可以执行手写识别任务的工作神经形态芯片的过程中,不是在模拟中,而是在现实中除了手写之外,Kim说团队的人工突触设计将使小型便携式神经网络设备能够执行复杂的计算,目前只有大型超级计算机才有可能“最终我们需要一个像指甲一样大的芯片来取代一台大型超级计算机,”Kim说“这为生产真正的人造硬件奠定了基础”这项研究得到了国家科学基金会出版物的部分支持:Shinhyun Choi,et al ,“用于神经形态计算的SiGe外延存储器,具有基于工程位错的可再现的高性能,”Nature Materials(2018)doi:101038 / s41563-017-0001-5来源:Jennifer Chu,麻省理工学院新闻办公室

News