2022年08月21日更新 工程师为片上大脑硬件设计人工突触

雷昭烟
导读 当涉及到处理能力时,人的大脑就无法被击败。足球般大小的器官挤在柔软的内部,大约有1000亿个神经元。在任何给定的时刻,单个神经元都可

当涉及到处理能力时,人的大脑就无法被击败。足球般大小的器官挤在柔软的内部,大约有1000亿个神经元。在任何给定的时刻,单个神经元都可以通过突触将指令中继到数千个其他神经元,这些突触是神经元之间交换神经递质的空间。超过100万亿个突触可介导大脑中的神经元信号,从而在增强连接能力的同时修剪其他连接,使大脑能够以闪电般的速度识别模式,记住事实并执行其他学习任务。

新兴的“神经形态计算”领域的研究人员已尝试设计像人脑一样工作的计算机芯片。像今天的数字芯片一样,与其进行基于二进制,开/关信号的计算,“大脑芯片”的元素将以模拟方式工作,交换信号或“权重”的梯度,就像神经元以各种方式激活,具体取决于流过突触的离子的类型和数量。

这样,小的神经形态芯片就可以像大脑一样,有效地处理数百万个并行计算流,而这目前只有大型超级计算机才能实现。但是,通往这种便携式人工智能的一个重要障碍是神经突触,要在硬件中进行复制特别棘手。

现在,麻省理工学院的工程师已经设计了一种人造突触,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。该团队用硅锗制成了带有人造突触的小芯片。在模拟中,研究人员发现,该芯片及其突触可用于识别手写样本,准确率达95%。

该设计发表在《自然材料》杂志 上,是朝着构建用于模式识别和其他学习任务的便携式,低功耗神经形态芯片迈出的重要一步。

该研究由机械工程师和材料科学与工程系的1947年职业发展助理教授,麻省理工学院电子与微系统技术实验室研究室的首席研究员Jeehwan Kim领导。他的合著者是崔信yun(第一作者),斯科特·谭(合着第一作者),李泽凡,金允jo,崔尚ye和韩汉ool,以及亚利桑那州立大学的陈佩瑜和于梦萌。

路径太多

大多数神经形态芯片设计尝试使用被“开关介质”或类似突触的空间隔开的两个导电层来模拟神经元之间的突触连接。当施加电压时,离子应在开关介质中移动以产生导电丝,类似于突触的“重量”如何变化。

但是在现有设计中很难控制离子的流动。Kim表示,这是因为大多数由无定形材料制成的切换介质具有无限的可能的离子传播路径,就像Pachinko,这是一种机械街机游戏,通过一系列销钉和杠杆将小的钢球向下漏斗,从而对将球转移或引导出机器。

像Pachinko一样,现有的交换介质包含多条路径,这使得很难预测离子将从何处通过。金说,这会在突触的表现中造成不必要的不​​均匀性。

“一旦施加一定的电压来用人工神经元表示某些数据,就必须擦除并以完全相同的方式再次写入,” Kim说。“但是在无定形固体中,当您再次书写时,离子会朝着不同的方向前进,因为存在很多缺陷。这个流正在改变,并且很难控制。这是最大的问题-人工突触的不均匀。”

完美的不匹配

金和他的同事们没有使用非晶态材料作为人工突触,而是转向了单晶硅,这是一种由无序排列的原子构成的无缺陷的导电材料。该团队试图在硅上制造出精确的一维线缺陷或位错,从而使离子可以预料地流过硅。

为此,研究人员从硅片开始,在微观分辨率下类似于鸡丝图案。然后,他们在硅晶片的顶部生长出类似图案的硅锗(一种也是晶体管中常用的材料)。硅锗的晶格略大于硅的晶格,Kim发现,两种完全不匹配的材料在一起可以形成漏斗状的位错,从而形成一条离子可以通过的单一路径。

研究人员制造了由硅锗制成的人工突触组成的神经形态芯片,每个突触的宽度约为25纳米。他们向每个突触施加电压,发现所有突触或多或少地表现出相同的电流或离子流,突触之间的差异约为4%-与由无定形材料制成的突触相比,性能更为均匀。

他们还在多个试验中测试了单个突触,在700个周期内施加了相同的电压,发现突触显示出相同的电流,每个周期的变化只有1%。

“这是我们可以实现的最统一的设备,这是演示人工神经网络的关键,” Kim说。

写作,认可

作为最终测试,Kim的团队探索了该设备在执行实际学习任务时的性能-特别是识别笔迹样本,研究人员认为这是对神经形态芯片的首次实用测试。这样的芯片将由“输入/隐藏/输出神经元”组成,每个神经元都通过基于细丝的人工突触连接到其他“神经元”。

科学家认为,可以使这种神经网络堆栈“学习”。例如,当输入手写“ 1”的输入并将其标记为“ 1”的输出时,某些输出神经元将被来自人工突触的输入神经元和权重激活。当更多的手写“ 1”示例输入同一芯片时,当相同的输出神经元感测到同一字母的不同样本之间的相似特征时,它们可能会被激活,从而以类似于大脑的方式进行“学习”。

Kim和他的同事对由三层神经层组成的人工神经网络进行了计算机模拟,该三层神经层通过两层人工突触连接在一起,它们的属性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者通常使用的手写识别数据集中输入了成千上万个样本的仿真结果,发现他们的神经网络硬件在95%的时间内识别出了手写样本,而现有软件算法的准确性为97%。

该团队正在制造一种可以工作的神经形态芯片,该芯片可以执行手写识别任务,而不是在仿真过程中,而是在现实中。除了手写以外,金说,该团队的人工突触设计将使更小巧的便携式神经网络设备能够执行复杂的计算,而当前只有大型超级计算机才能执行这些计算。

“最终,我们希望能像指甲一样大的芯片来代替一台大型超级计算机,”金说。“这为生产真正的人造硬件打开了垫脚石。”

标签:

免责声明:本文由用户上传,如有侵权请联系删除!