制造业:5月10日

突触的晶体管
香港大学和西北大学已经开发出一种有机电化学突触晶体管技术,有一天就像人类的大脑处理和存储信息。

研究人员已经证明,晶体管可以模仿人类大脑的神经突触。它可以建立在学习记忆随着时间的推移,根据研究人员。

这代表了世界上众多的努力实现真正的人工智能(AI)。今天,机器学习是最常见的人工智能。人工智能的一个子集,机器学习系统中使用神经网络,处理大量的数据和识别模式。然后,网络匹配特定的模式和学习哪些属性是很重要的。今天的许多基于机器学习系统使用传统的芯片架构gpu, SRAM和其他人。

神经网络由多个神经元和突触。这些都不是生物有机体。一个神经元可以用逻辑门由一个存储单元。神经元计算机,与一个链接称为突触。基本上,一个人工神经网络(ANN)有三个layers-input,隐藏起来,和输出。每个由神经元、突触相连。

神经网络函数通过计算矩阵产品和金额。“安一个基于连接单元或节点的集合称为人工神经元,松散模式生物大脑中的神经元,”根据维基百科。“每个连接,就像生物大脑的神经突触,可以传输一个信号到其他神经元。一个人工神经元接收信号然后处理它,能神经元信号连接到它。信号的连接是一个实数,并计算每个神经元的输出输入的总和的一些非线性函数。被称为边缘的连接。神经元和边缘通常有一个重量,调整学习所得。体重增加或减少连接信号的强度。神经元有一个阈值,这样一个信号发送只有总信号跨越这个门槛。通常情况下,神经元聚合成层。不同的输入层可以执行不同的转换。 Signals travel from the first layer (the input layer), to the last layer (the output layer), possibly after traversing the layers multiple times.”

与此同时,行业也一直在一个非传统的方法称为神经形态计算工作,仍然是数年的时间才能实现。神经形态计算也可以使用神经网络。不同的是这个行业试图复制大脑硅。目标是模仿使用时间精确脉冲处理信息的方式。

公司、政府机构、研发组织和大学都致力于神经形态计算。在一个努力,香港大学和西北大学已经证明能够模仿联想学习使用一个ion-trapping非易失性突触有机电化学晶体管(OECT)。

OECT像传统的晶体管的源,门和排水。而是硅的通道,一个OECT由类似塑料的复合)活跃的通道。总之,OECT有写偏差小于0.8 V和保留时间超过200分钟没有分离的读写操作,根据研究人员在自然通讯科技日报》。

在操作中,OECT可以捕获离子。“在大脑中,突触是神经元结构,通过它可以传输信号到另一个神经元,使用小分子被称为神经递质,“根据西北。“在突触晶体管,离子的行为类似于神经递质,发送终端之间的信号形成人造突触。从被困离子通过保留存储数据,晶体管记得以前的活动,发展长期的可塑性。”

研究人员压力,光传感器集成电路。他们训练有素的电路将两个不相关的物理输入(压力和光线)。

“尽管现代计算机突出,人类的大脑可以轻松超越它在一些复杂的和非结构化的任务,如模式识别、运动控制和多种感觉的集成,”Jonathan Rivnay说,西北大学生物医学工程助理教授麦考密克工程学院的。“这是由于突触的可塑性,这是大脑的基本构件的计算能力。这些突触使大脑在高度并行工作,容错和节能的方式。在我们的工作中,我们将演示一个有机、塑料晶体管,模仿生物神经突触的关键功能。

“虽然我们的应用程序是一个证明的概念,我们提出电路可以进一步扩展到包括更多的感官输入和与其他电子产品,使现场集成,低功耗计算,“Rivnay说。”,因为它与生物环境兼容,活组织的设备可以直接接口,为下一代生物电子学是至关重要的。”

Hyperdimensional计算
一组研究人员正在采取一种不同的方法人工智能。

加州大学圣地亚哥加利福尼亚大学欧文分校、圣地亚哥州立大学和DGIST最近发表了一篇论文新硬件算法基于hyperdimensional (HD)计算,这是一个brain-inspired计算模型。新算法,称为HyperRec,使用数据建模与二进制向量在高维度。

高清计算解决了几个问题。“在当今世界,科技进步不断创造更多的数据比我们可以应付。大量数据处理需要在设备上运行至少部分在网络的边缘,如传感器和智能手机。然而,现有机器学习等系统运行会消耗电池和过于缓慢,“Tajana希姆尼奇罗辛说,计算机科学与工程系教授在加州大学圣地亚哥在电子邮件交流。

“Hyperdimensional (HD)计算是一个类的学习算法是出于观察人类大脑的运作很多简单的数据并行。与今天的深层神经网络和其他类似的算法,系统使用高清计算学习能够更有效地运行至少1000 x,可以直接实现非易失性内存和本地更安全,因为他们使用大量的比特(~ 10000)并行编码和处理数据。最重要的是,这样的系统可以解释他们如何做出决策,导致传感器和手机,可以学习直接从他们获得的数据不需要云至少影响电池寿命,”罗辛说。

研究人员正在开发hyperdimensional计算软件和硬件基础设施。“Hyperdimensional计算采用更大的数据大小。而不是32位或64位计算,一个高清的方法将数据包含10000位或更多。但完全意识到它的潜力,我们的研究人员必须继续开发新的编码和解码策略,快速算法,并推进有意义的硬件示威,”托德Younkin说,总裁兼首席执行官的半导体研究公司(SRC),在最近的一次采访中。

我们的目标是开发新颖的算法支持关键认知计算高维空间,包括分类、聚类和回归。另一个目标是设计高效的高清计算传感器和移动设备,涵盖硬件加速器如gpu, fpga和其他芯片。

原型将建在智能家居和其他应用程序和测试。“我们当前的研究结果表明HD分类和聚类一样精确先进的算法,但是要快得多,并且是六个数量级时更节能加速在内存中。高清计算是非常健壮的错误,提供平等的准确性非常高的比特误码率政权时没有错误,”罗辛说。

在它的一个最新高清计算的努力,研究人员设计了一个新的名为HyperRec hardware-friendly推荐算法。“与现有的解决方案,它使用的是数据表示的浮点数,在HyperRec,用户和项目建模与二进制向量维度高,”郭说案,从加州大学圣地亚哥分校的研究员在报纸上。“在HyperRec,我们编码用户,项目和评级使用hyperdimensional二进制向量,称为hypervectors。我们代表用户和项目之间的关系通过绑定和绑定操作高清计算。推荐阶段是基于最近邻原则。”

研究人员还演示了如何加快HyperRec并行计算平台。“结果表明,我们的FPGA实现平均快67.0倍和6.9倍更高的能源效率比CPU。我们的GPU实现进一步达到平均3.1倍加速与FPGA相比,“根据纸。

新的人工智能理论
研究人员也在开发其他人工智能理论。例如,杰弗里•辛顿最近提出了一个新的人工智能理论叫偷。

同时,Numenta千大脑理论设计了什么是电话。Numenta的网站,这里有一个讨论这两个efforts-GLOM与Numenta。在另一个博客,Numenta也解释了为什么人工神经网络学习不断,因此遭受斗争灾难性的忘记。