当前位置:芯片市场动态 → 正文

工程师为“脑上芯片”硬件设计人工突触

责任编辑:zsheng |来源:企业网D1Net  2018-12-13 20:21:15 本文摘自:机器人天空

当谈到处理能力时,人类的大脑就无法被击败。

在整洁的足球大小的器官内,大约有1000亿个神经元。在任何给定的时刻,单个神经元可以通过突触将指令传递给数千个其他神经元 - 神经元之间的空间,神经递质在神经递质之间交换。有超过100万亿个突触介导大脑中的神经元信号传导,在修剪其他人的同时强化一些连接,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”领域的研究人员试图设计出像人脑一样工作的计算机芯片。与今天的数字芯片一样,基于二进制,开/关信号进行计算,“芯片上的大脑”的元素将以模拟方式工作,交换信号梯度或“权重”,就像神经元以各种方式激活,取决于流过突触的离子的类型和数量。

通过这种方式,小型神经形态芯片可以像大脑一样有效地处理数百万个并行计算流,这些计算流目前只有大型超级计算机才能实现。但是,在这种便携式人工智能的过程中,一个重要的障碍就是神经突触,这在硬件中重现起来特别棘手。

麻省理工学院的工程师现在设计了一种人工突触,它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。该团队已经制造出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,准确率为95%。

该设计于今天发表在Nature Materials杂志上,是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的重要一步。

该研究由Jeehwan Kim领导,他是1947年机械工程和材料科学与工程系的职业发展助理教授,也是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。他的合着者是麻省理工学院的Shinhyun Choi(第一作者),Scott Tan(共同第一作者),Zefan Li,Yunjo Kim,Chanyeol Choi和Hanwool Yeon,以及亚利桑那州立大学的Pai-Yu Chen和Shimeng Yu。

道路太多了

大多数神经形态芯片设计试图使用由“切换介质”或突触样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,离子应该在开关介质中移动以产生导电细丝,类似于突触的“重量”如何变化。

但是现有设计中很难控制离子流动。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,一种机械街机游戏,通过一系列的针和杠杆向下漏斗小钢球,将球转移或引导出机器。

与Pachinko一样,现有的交换介质包含多条路径,这使得难以预测离子将通过的位置。金说,这会在突触的表现中产生不必要的不​​均匀性。

“一旦你用人工神经元施加一些电压代表一些数据,就必须擦除并能够以完全相同的方式再次写入它,”Kim说。“但是在无定形固体中,当你再次写入时,离子会向不同的方向发展,因为存在许多缺陷。这个流正在改变,很难控制。这是最大的问题 - 人工突触的不均匀性。“

完美的不匹配

Kim和他的同事们没有使用无定形材料作为人工突触,而是研究了单晶硅,这是一种无缺陷的导电材料,由连续排列的原子排列而成。该团队试图通过硅产生精确的,一维的线缺陷或位错,离子可以通过硅预测流动。

为此,研究人员开始使用硅晶片,在微观分辨率下类似于鸡丝图案。然后,他们在硅晶片顶部形成了类似的硅锗图案 - 一种也常用于晶体管的材料。硅锗的晶格略大于硅的晶格,Kim发现,两种完全不匹配的材料一起形成漏斗状的位错,形成离子可以流过的单一路径。

研究人员制作了一个神经形态芯片,由人工突触组成,由硅锗制成,每个突触的长度约为25纳米。他们对每个突触施加电压,发现所有突触都表现出或多或少相同的电流或离子流,突触之间的差异约为4% - 与非晶材料制成的突触相比,性能更加均匀。

他们还在多次试验中测试了单个突触,在700个周期内施加相同的电压,发现突触显示出相同的电流,周期与周期之间仅有1%的变化。

“这是我们可以实现的最统一的设备,这是展示人工神经网络的关键,”Kim说。

作为最后的测试,Kim的团队探索了它的设备在执行实际学习任务时的表现 - 特别是识别手写样本,研究人员认为这是神经形态芯片的第一个实际测试。这种芯片将由“输入/隐藏/输出神经元”组成,每个神经元通过基于细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被“学习”。例如,当输入一个手写的“1”输入,输出标记为“1”时,某些输出神经元将被输入神经元激活和人工突触的重量。当手写的“1”的更多示例被馈送到同一芯片中时,相同的输出神经元可以在它们感知相同字母的不同样本之间的相似特征时被激活,从而以类似于大脑的方式“学习”。

Kim和他的同事们运行了一个人工神经网络的计算机模拟,该网络由三层通过两层人工突触连接的神经层组成,其特性基于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%的时间内识别出手写样本,而现有软件算法的准确率为97%。

该团队正在制作一个可以执行手写识别任务的工作神经形态芯片,而不是模拟但实际上。Kim表示,除了笔迹外,该团队的人工突触设计将能够实现更小巧,便携的神经网络设备,这些设备可以执行目前只有大型超级计算机才能实现的复杂计算。

“最终我们想要一个像指甲一样大的芯片来取代一台大型超级计算机,”金说。“这开辟了生产真正人造硬件的踏脚石。”

关键字:设计硬件芯片工程师

本文摘自:机器人天空

x 工程师为“脑上芯片”硬件设计人工突触 扫一扫
分享本文到朋友圈
当前位置:芯片市场动态 → 正文

工程师为“脑上芯片”硬件设计人工突触

责任编辑:zsheng |来源:企业网D1Net  2018-12-13 20:21:15 本文摘自:机器人天空

当谈到处理能力时,人类的大脑就无法被击败。

在整洁的足球大小的器官内,大约有1000亿个神经元。在任何给定的时刻,单个神经元可以通过突触将指令传递给数千个其他神经元 - 神经元之间的空间,神经递质在神经递质之间交换。有超过100万亿个突触介导大脑中的神经元信号传导,在修剪其他人的同时强化一些连接,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”领域的研究人员试图设计出像人脑一样工作的计算机芯片。与今天的数字芯片一样,基于二进制,开/关信号进行计算,“芯片上的大脑”的元素将以模拟方式工作,交换信号梯度或“权重”,就像神经元以各种方式激活,取决于流过突触的离子的类型和数量。

通过这种方式,小型神经形态芯片可以像大脑一样有效地处理数百万个并行计算流,这些计算流目前只有大型超级计算机才能实现。但是,在这种便携式人工智能的过程中,一个重要的障碍就是神经突触,这在硬件中重现起来特别棘手。

麻省理工学院的工程师现在设计了一种人工突触,它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。该团队已经制造出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,准确率为95%。

该设计于今天发表在Nature Materials杂志上,是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的重要一步。

该研究由Jeehwan Kim领导,他是1947年机械工程和材料科学与工程系的职业发展助理教授,也是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。他的合着者是麻省理工学院的Shinhyun Choi(第一作者),Scott Tan(共同第一作者),Zefan Li,Yunjo Kim,Chanyeol Choi和Hanwool Yeon,以及亚利桑那州立大学的Pai-Yu Chen和Shimeng Yu。

道路太多了

大多数神经形态芯片设计试图使用由“切换介质”或突触样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,离子应该在开关介质中移动以产生导电细丝,类似于突触的“重量”如何变化。

但是现有设计中很难控制离子流动。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,一种机械街机游戏,通过一系列的针和杠杆向下漏斗小钢球,将球转移或引导出机器。

与Pachinko一样,现有的交换介质包含多条路径,这使得难以预测离子将通过的位置。金说,这会在突触的表现中产生不必要的不​​均匀性。

“一旦你用人工神经元施加一些电压代表一些数据,就必须擦除并能够以完全相同的方式再次写入它,”Kim说。“但是在无定形固体中,当你再次写入时,离子会向不同的方向发展,因为存在许多缺陷。这个流正在改变,很难控制。这是最大的问题 - 人工突触的不均匀性。“

完美的不匹配

Kim和他的同事们没有使用无定形材料作为人工突触,而是研究了单晶硅,这是一种无缺陷的导电材料,由连续排列的原子排列而成。该团队试图通过硅产生精确的,一维的线缺陷或位错,离子可以通过硅预测流动。

为此,研究人员开始使用硅晶片,在微观分辨率下类似于鸡丝图案。然后,他们在硅晶片顶部形成了类似的硅锗图案 - 一种也常用于晶体管的材料。硅锗的晶格略大于硅的晶格,Kim发现,两种完全不匹配的材料一起形成漏斗状的位错,形成离子可以流过的单一路径。

研究人员制作了一个神经形态芯片,由人工突触组成,由硅锗制成,每个突触的长度约为25纳米。他们对每个突触施加电压,发现所有突触都表现出或多或少相同的电流或离子流,突触之间的差异约为4% - 与非晶材料制成的突触相比,性能更加均匀。

他们还在多次试验中测试了单个突触,在700个周期内施加相同的电压,发现突触显示出相同的电流,周期与周期之间仅有1%的变化。

“这是我们可以实现的最统一的设备,这是展示人工神经网络的关键,”Kim说。

作为最后的测试,Kim的团队探索了它的设备在执行实际学习任务时的表现 - 特别是识别手写样本,研究人员认为这是神经形态芯片的第一个实际测试。这种芯片将由“输入/隐藏/输出神经元”组成,每个神经元通过基于细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被“学习”。例如,当输入一个手写的“1”输入,输出标记为“1”时,某些输出神经元将被输入神经元激活和人工突触的重量。当手写的“1”的更多示例被馈送到同一芯片中时,相同的输出神经元可以在它们感知相同字母的不同样本之间的相似特征时被激活,从而以类似于大脑的方式“学习”。

Kim和他的同事们运行了一个人工神经网络的计算机模拟,该网络由三层通过两层人工突触连接的神经层组成,其特性基于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%的时间内识别出手写样本,而现有软件算法的准确率为97%。

该团队正在制作一个可以执行手写识别任务的工作神经形态芯片,而不是模拟但实际上。Kim表示,除了笔迹外,该团队的人工突触设计将能够实现更小巧,便携的神经网络设备,这些设备可以执行目前只有大型超级计算机才能实现的复杂计算。

“最终我们想要一个像指甲一样大的芯片来取代一台大型超级计算机,”金说。“这开辟了生产真正人造硬件的踏脚石。”

关键字:设计硬件芯片工程师

本文摘自:机器人天空

电子周刊
回到顶部

关于我们联系我们版权声明隐私条款广告服务友情链接投稿中心招贤纳士

企业网版权所有 ©2010-2024 京ICP备09108050号-6 京公网安备 11010502049343号

^