耶鲁大学研究创造了模拟人类认知的计算机芯片
2018-11-02 18:59 tlnshuju 阅读(339) 评论(0) 编辑 收藏 举报据耶鲁大学站点报道。耶鲁大学研究人员研究创造了模拟人类认知的计算机芯片，当中一个是TrueNorth。它是神经形态芯片的一个先驱性样例——仿效大脑的新一代计算机电路。
想象一下，假设你在办公室里工作，一旦你完毕了一项任务，你就必须等到其它小隔间里的每一个人都完毕了他们正在做的工作，你才干够继续进行下一项任务。
这就是大多数依赖同步电路的数字设备的工作方式。内置时钟同意完毕每一个计算功能的时间同样。基于由1和0组成的二进制系统，它是可靠的，但它也意味着系统执行速度仅仅能和链中最慢的函数一样快。
约翰·C·马龙（John C. Malone）的电气project与计算机科学教授拉吉特·马洛哈(Rajit Manohar)说，“在有时间限制的执行中，全部东西（包含你不须要的东西）都必须符合时间预算。所以。除非你让一切变得更快，否则你的芯片将无法执行得更快。”
甚至在Siri和Google Home成为我们的家庭伴侣之前，我们就已经有了将电脑人格化的倾向。长期以来，人们通经常使用“思考”来谈论计算机，并将其归因于与大脑相关的特征。但其实，传统计算机的功能与大脑全然不同。可是，计算机科学与人类大脑正越来越接近。
当中一个迹象便是TrueNorth芯片。这是一个4平方厘米的芯片。拥有54亿个晶体管，以及100万个通过2.56亿个“突触（synapses）”进行通信的“神经元（neurons）”。拉吉特·马诺哈尔（Rajit Manohar）从他担任美国康奈尔大学(Cornell)教职工时起，就開始与IBM的一个研究团队合作，经过多年的努力，终于促成了TrueNorth。TrueNorth由国防高级研究计划局（DARPA）资助，作为该机构自适应塑料可升级电子系统（SyNAPSE）计划的一部分，它是神经芯片的一个开创性的样例——一种模仿大脑的新型计算机电路。其大小相当于一张邮票，它可能是一场怎样制造和使用电脑的革命的開始。
马诺哈尔从他在异步系统（他的一个研究专业）的工作来到了这个项目。
在具有这类电路的设备中。每一个函数都被同意尽可能少或多的时间来完毕它的任务。
“这就像一场接力赛——当你在那里的时候，你把接力棒递给下一个人，”他说。为了同意更大的复杂性和更少的能量使用。全部这些函数都以异步和并行的方式工作——就像神经科学家们觉得大脑是怎样运作的一样。“非常明显，进入你大脑中的每一个神经元，不会有单一的、经过细致同步的信号，所以，异步似乎是思考计算怎样发生的一种自然的方式，”马诺哈尔说。
虽然异步系统通常被觉得是计算机科学中的一个新的分支，但它们的起源能够追溯到现代计算机的早期版本号。马诺哈尔指出，甚至自20世纪40年代发展起来的现代计算机的蓝图（“冯·诺依曼”机器）也解释了异步计算是有利的。很多早期的机器都是这样建造的，但计算机结构非常快就变得复杂起来，包含了更多的电线。
确保信号在机器内部被正确发送和接收变得更加复杂。这须要一个内部计时器来确保一切正常运转，而同步电路便成了“王法”。
然而。这些机器虽获得了有序性，却牺牲了速度。
举个样例，你手机里的CPU。它以1GHz的速度执行——每秒10亿步——所以每一步都必须在1纳秒内完毕。不管你计算的是什么。都必须被分成相等的时间块。
就算一个步骤完毕得早，你也必须等待。那就等于浪费了非常多时间。
“坦白地说。在计算中，让每一个单独的计算模块花费的时间都同样。你非常难做到，”他说。
“并不是全部计算都难度相当。”
假设一个步骤太长，就会错误发生。在这样的情况下。流程必须被分解成更小的步骤，或者步骤的大小必须更大——这将减缓其它进程。
然而。直到20世纪80年代。这一点才引起人们的广泛关注：芯片開始变得越来越大、越来越复杂，并且用于保持计算能力的时钟执行得越来越“贵”——占芯片功耗的20%。“所以人们在80年代初又開始研究异步电路了。
”
TrueNorth的神经元彼此并行工作，各自做它须要做的事情来完毕一项任务。
它们通过电流的爆发进行交流。这样的电流被称为尖峰。关于TrueNorth，最值得注意的事情之中的一个是它的节能性怎样。使用70毫瓦的功率——相当于助听器的功率——其消耗量与执行相似任务的传统计算机相比微不足道。
IBM阿尔马登研究中心（IBM Almaden Research Center）认知计算小组的首席研究员、DARPA SyNAPSE项目的负责人Dharmendra Modha表示，他之所以聘用马诺哈尔，是由于他在该项目所需的技术方面是“世界率先者”，并且他还开发了“强大的、经过验证的工具”。“大脑中的神经元是事件驱动的，运作时没有不论什么同步时钟。”马诺哈尔说。“为了实现DARPA SyNAPSE雄心勃勃的度量标准。一个关键要素是设计和实现事件驱动电路，让异步电路是自然的。
神经科学让我们对大脑中发生的事情有了更好的了解，这启示了TrueNorth芯片的架构。只是，把TrueNorth称为大脑功能的副本有些牵强，由于我们仍然不知道大脑到底是怎样工作的。这是令马诺哈尔着迷的事情之中的一个。
“大脑是一个我们不是非常了解的异步系统。它能够做一些我们如今不知道怎样让计算机来做的事情——这非常有趣，”他说。此外，有证据表明大脑有一个“非常强大的异步计算基板”，能够学习怎样进行非常多不同的应用。
“并且它能够以一种我们不知道怎样在计算机上执行的效率来执行这些应用程序。
这也非常有趣。
”
在神经形态计算中，更多的工作都是以更好地了解大脑的工作原理为目的。
TrueNorth的制造者从还有一个方向着手他们的项目；大脑的过程怎样才干更好地进行计算？这也符合马诺哈尔的兴趣。
为了了解TrueNorth可能有什么样的现实应用，研究团队开发了一个多目标检測和分类应用程序，并通过两项挑战对其进行了測试：一个是检測定期出如今视频中的人、骑自行车的人、汽车、卡车和公共汽车。还有一个是正确识别每一个对象。事实证明，TrueNorth擅长这两项任务。
依据TrueNorth制造者的描写叙述，即使它仅仅捕捉了人类大脑复杂性的一小部分，但该芯片拥有大黄蜂的脑力——这就足以完毕一些非凡的任务。比如。它同意用户不用触摸电视或遥控器就能改变频道。三星在对TrueNorth芯片进行评估后宣布。该公司正在开发一个系统，让电视用户仅仅需做手势就能够控制他们的电视机。洛斯阿拉莫斯国家实验室（Los Alamos National Lab）的官员也在讨论将其用于一些超级计算。
马诺哈尔还是Achronix半导体公司的创始人，该公司专门生产高性能异步现场可编程门阵列（FPGA）芯片。
麻省理工学院技术评论（MIT Technology Review）将他列为“35岁下面创新者”之中的一个——由于他在低功耗微处理器设计方面的贡献。
他的其它专长还包含低功耗嵌入式系统、并发系统和电路设计的正式方法。
马诺哈尔说他是通过数学进入计算机科学的。
“在某个时候，我想把数学应用到更有用的东西上，”他说。
“我觉得，从应用数学的角度来看，计算机科学非常有趣——非常多技术和一些基础都非常数学化。”TrueNorth具备的前所未有的特性意味着制造者投入了大量的资源。
由于缺乏现有的计算机辅助设计（CAD）软件。研究团队不仅发明了芯片，他们还须要发明用于构建芯片的工具。“妨碍人们在异步电路上工作的因素之中的一个，就是缺乏设计这些电路的工具。
” 他说，“有一个巨大的行业，每年花费数十亿美元来改进这些CAD工具。但它们并不适合我们在异步设计方面所做的工作。所以我们必须编写自己的CAD工具。”
自TrueNorth公布以来，从事异步电路的研究人员数量显著添加。但仍是一个小群体。马诺哈尔团队使用的CAD软件是专门为团队设计的。可是。假设他们能够将这些软件改造的更大众化，马诺哈尔相信这个领域将会爆发，并且这项技术将会更加迅速地发展。“我们想做的一件事是拥有一套完整的工具，我们能够将它放到开源平台中。让其它研究人员使用。
我经常听到一些业内人士说，‘嘿，我想试试这个，但我不知道怎么開始。由于我没有工具。
’”
今天的传统计算机的结构仍然来自二十世纪四十年代的冯·诺伊曼模型。我们虽已不使用纸板打孔卡, 但主要的想法仍然是一样的。
这些年的进步降低了内存将传输数据到处理器所需的时间，但数据仍然须要来回穿梭, 这须要时间和功率。几十年来, 计算机在体积上稳步缩小，但所需功率却在增长。
然而。计算机科学家们说，关于能在多大程度上继续添加处理器，我们已经接近极限了。
神经芯片可能开启一个全新的领域,将使这一趋势持续下去，并且非常可能以更快的速度发展。
TrueNorth与传统系统的一个根本差别是其数据存储和计算是没有分开的。TrueNorth的神经网络能够在没有计时机制的情况下完毕多个任务, 从而打破了传统操作停滞不前的线性操作的束缚。
还有就是这些芯片能让电脑做什么的问题。传统计算机擅长蛮力计算，他们不太善于识别人脸。或者分辨出特定的声音和涉及模式识别的任务。
这就是为什么那些CAPTCHA函数会指示你挑选出爱因斯坦的面孔，或者复制一个短字母数字模式来证明你是人类，来有效阻止机器人。
自从20世纪80年代计算机科学家们開始认真讨论这个问题以来，神经形态计算已经取得了非常大的进步。但这个领域仍然处于早期阶段。随着技术变得更加成熟。很多业内人士对芯片能做什么感到兴奋。
就像不论什么可能改变游戏规则的技术一样，我们无法想象全部可能的商业应用，但很多业内人士表示，在实现即时自己主动驾驶汽车、打造更像人类的机器人、以及开发帮助视力受损者的设备上。神经芯片可能是关键。
当然。实现这些目标并不是易事。马诺哈尔与一个来自滑铁卢大学（University of Waterloo）和斯坦福大学（Stanford University）的研究小组合作。眼下正在研究一种多芯片系统，马诺哈尔说这将是神经形态学的下一步。
“与全部现有平台相比，我们希望展示出更高的效率——这一直是我们的目标。”他说。“我们知道怎样实现这一目标。”他预測，这样的技术在不久的将来就会出如今日常设备中。“这些神经计算算法眼下为对象检測和识别人脸等任务（很多公司现今所关心的）提供了最先进的性能。”他说。
“想象一下，以后你能够用如今搜索文本的方式来搜索照片或视频，而神经芯片在这类计算中效率更高。”
