В последние годы многие исследовательские группы по всему миру разрабатывают вычислительные методы, вдохновленные человеческим мозгом, например алгоритмы глубокого обучения. Хотя некоторые из этих методов считаются очень многообещающими для широкого круга приложений, обычное оборудование не всегда поддерживает их вычислительную нагрузку и, таким образом, может ограничивать их производительность.
Возможное решение для преодоления ограничений существующего оборудования и обеспечения того, чтобы вычислительные методы, вдохновленные мозгом , достигли оптимальных результатов, влечет за собой создание новых электронных компонентов, которые лучше отражают структуру человеческого мозга . Класс компьютерных микросхем, созданных на основе нейронов, специально разработан для приложений искусственного интеллекта (ИИ), которые имитируют нейронные структуры мозга людей и других животных.
Исследователи из Университета Цинхуа в Китае проанализировали недавние достижения в разработке компьютерных чипов, основанных на нейронах, чтобы получить представление о достигнутом прогрессе и выявить проблемы, которые все еще необходимо преодолеть. В их обзорной статье, опубликованной в Nature Electronics , также излагается ряд принципов совместного проектирования, которые могут быть полезны при разработке новых нейронных схем, устройств и алгоритмов.
«Идея нашей статьи возникла в результате наших предыдущих попыток разработки компьютерных чипов, основанных на нейронах»,
- сказал Хуацян Ву, один из исследователей, проводивших исследование.
«В наших прошлых исследованиях мы обнаружили, что сложно оптимизировать производительность этих микросхем на индивидуальном уровне, таком как уровень устройства или схемы, и что такой чип необходимо оптимизировать с помощью стратегий совместного проектирования, которые охватывают широкий спектр диапазон элементов, от устройств до алгоритмов ".
В своей новой статье Ву и его коллеги внимательно изучают недавние разработки в области проектирования компьютерных чипов, основанных на нейронах, и размышляют над некоторыми уроками, извлеченными из их собственных усилий в этой области. Кроме того, они описывают набор показателей тестирования и принципов совместной разработки, которые могут помочь другим, кто пытается разработать эти чипы.
«Мы надеемся, что наша работа поможет читателям, не являющимся экспертами, узнать больше о компьютерных чипах, основанных на нейронах, а также будет способствовать более широкому развитию в этой области исследований», -
сказал Ву. «Мы в основном исследовали компьютерные микросхемы, вдохновленные нейро, с точки зрения их потенциала для поддержки алгоритмов, нейронных сетей или искусственных (глубоких) нейронных сетей».
Ву и его коллеги выделяют четыре показателя, на которых инженеры могут сосредоточиться при оценке эффективности вычислительных чипов, основанных на нейронах: плотность вычислений, энергоэффективность, точность вычислений и возможность обучения на кристалле.
Изучая прошлые исследования, исследователи отметили, что эти показатели были наиболее важными для проектирования и оптимизации компьютерных чипов, основанных на нейронах, поскольку они лучше всего отражали уникальные особенности чипов и их возможные преимущества перед традиционными чипами. Например, плотность вычислений - показатель, который отражает эффективность площади чипа, - в конечном итоге позволяет инженерам определить, сколько информации их чипы могут хранить одновременно и достаточно ли их памяти для работы крупномасштабных нейронных сетей.
В дополнение к описанию важных показателей для оценки мозговых чипов, Ву и его коллеги представили набор принципов совместного проектирования, которые могут служить ориентиром для будущих исследований в этой области. Эти принципы во многом основаны на результатах их прошлых исследований и наблюдений.
«Мы думаем, что предложенный нами инструмент совместного проектирования является наиболее важной частью нашего исследования», - сказал Ву. «В практическом проектировании вычислительного чипа, вдохновленного нейронами, без этого инструмента совместного проектирования трудно создать высокопроизводительный чип. Например, устройства энергонезависимой памяти (NVM), которые могут использоваться в качестве синаптической памяти, обычно имеют внутреннюю неидеальности и эти неидеальности снизят производительность чипа. Однако уменьшение неидеальности на уровне устройства требует больших усилий, и мы не можем удалить их полностью. Таким образом, наш инструмент совместного проектирования может помочь оптимизировать производительность микросхемы не только на уровне устройства, но и на уровне схемы или системы ».
Их обзорная статья могла бы в конечном итоге послужить общей дорожной картой для инженеров, которые пытаются разработать интеллектуальные чипы. Тем временем Ву и его коллеги планируют разработать другие рекомендации, которые могут ускорить и облегчить исследования в области искусственного интеллекта (ИИ) и электроники, основанной на нейронах.
«В наших будущих исследованиях мы могли бы разделить проектирование компьютерных чипов, основанных на нейронах, на две части», - сказал Ву. «В части изготовления устройств и интеграции технологий мы будем оптимизировать производительность устройств, изготавливать новые нейро-вдохновленные устройства и исследовать трехмерные компьютерные чипы, вдохновленные нейро. С другой стороны, в части микросхем и систем мы будем разрабатывать со-дизайн инструмента и дизайн общего назначения , нейро-вдохновленную вычислительной чип, особенно NVM на основе вычисления в памяти чипа «.
Статья от ZetaLine.ru
