神经形态芯片越来越多地模拟大脑可塑性

电子

我们离逆向改造人类大脑的可塑性还有多远？计算神经科学和纳米威廉希尔官方网站的最新研究表明，神经形态芯片可以以更高的灵敏度读取突触连接
复制人类的“连接体”，即神经系统的物理连接，仍然是神经形态计算的主要挑战之一。尽管科学家们对大脑的神经线路如何执行高级功能有了更多的了解，但是在固态设备(SSD)上对大脑进行逆向工程仍然遥不可及。

神经网络的关键元素。

神经形态计算试图利用大脑的生物连接体，特别是通过将生物神经元网络模型数字复制到电子设备上。神经电子接口是在大脑和外部设备之间传输信息的大脑-计算机接口。目前，还没有足够的神经电子接口，使得这种数字化大脑模拟变得困难。
然而，随着铁电器件、纳米线网络、有机材料和新的存储硬件的发展，复制人类神经元网络是一个更加可行的现实。

人工神经网络与自然神经网络
到目前为止，神经形态工程和计算方法已经分为两个主要方向: 人工神经网络和自然神经网络。
人工神经网络是机器学习和人工智能应用的基础，其功能最好的实现方法是使用 cpu、 gpu 和深度学习处理器ーー神经处理单元(NPUs)和张量处理单元(TPUs)。
模拟辅助人工神经网络可能不是“自然智能”，但被认为是神经形态学，因为他们的设计灵感来自大脑的内存计算。
人工神经网络的一个例子是英特尔芯片 Loihi 1和 Loihi 2。Loihi 1和 Loihi 2以及相关的 LAVA API 为信息编码和处理提供了一种新的机制，这种机制是基于事件的异步并行稀疏计算的脉冲神经网络(SNN)算法。

自然神经元网络是由电化学反应驱动的，类似于大脑突触。他们表现出优越的演绎能力、学习自主性、适应性和认知能力。非神经网络组织信息的方式非常特殊，与神经网络完全不同。例如，早期的神经网络模型能够模仿早期的视觉处理过程，使用的是基于大脑感觉外围设备的硅胶视网膜模型。
人脑计划应对大规模神经形态计算
作为人类大脑项目(HBP)一部分的大规模神经形态计算平台仍处于测试阶段，尽管自2018年以来，某些芯片已经可供早期采用者测试。
HBP 的架构建立在两个原则之上: 第一，一个基于英国曼彻斯特的多核“ SpiNNaker 机器”。这台机器包括一百万个 Arm 处理器，它们组成了一个尖峰神经网络。第二，一个位于海德保的物理模型机，模拟电子模型，由400万个神经元和20个硅晶片上的10亿个突触组成。
作为短期利益，HBP 希望其神经形态学平台能够提高智能手机的语音和识别能力。从长远来看，它可以用于各种应用，如自动车辆和家庭机器人。
三星开发“复制粘贴”神经形态学模型
三星最近的进展更进一步，弥合了大脑启发芯片和模仿大脑芯片之间的鸿沟。三星的“复制粘贴”神经形态芯片旨在将哺乳动物神经元网络的功能性突触连接图复制到固态3d 存储器上。
一个由来自三星高级威廉希尔官方网站研究所(SAIT)和哈佛大学(Harvard University)的工程师组成的研究小组开发了一种 CMOS 纳米电极阵列(CNEA) ，它可以复制细胞内的并行记录，并以高灵敏度捕捉突触信号。

神经形态缩放使用3d 集成和封装威廉希尔官方网站。

最新版本的三星 CNEA 芯片可以绘制功能性突触连接，它集成了4,096个电子通道和4,096个垂直纳米电极。高灵敏度的纳米电极阵列可以测量活动电位(AP)和突触后电位(PSP) ，发现突触并测量它们的连接强度。纳米电极阵列是模型的“拷贝”部分。
由体外培养的神经元产生的已确定的突触连接图，然后“粘贴”到由传导性记忆组成的记忆网络上，每个记忆存储一个复制生物突触连接的电导。
内存存储
根据三星研究团队的研究，存储逆向工程神经元网络的最佳选择是四种记忆类型，包括易失性和非易失性记忆。非易失性存储器包括:

电阻式随机存取存储器

相变随机存取存储器(PRAM)

自旋转移转矩 MRAM (磁性随机存取存储器)

动态随机存取存储器

3 d 集成
三星神经形态芯片的一个独特之处是神经形态缩放。三维记忆的包装模仿了人脑的1000亿个神经元。例如，128层的3d 集成将减少计算机提取的连通性地图面积从30 × 30cm2减少到26 × 26mm2。

大鼠神经元在 CNEA (CMOS 纳米电极阵列)上的图片。

这个想法并非没有挑战; 尽管 NNN 代表了复制时功能连接的快照，但它仍然保持了一个稳定的结构，用于代代定义良好的任务。
但是问题是复杂的突触活动是否可以用记忆电导值来表示。此外，神经元蛋白质膜与硅电路截然不同。
神经形态工程与计算的未来
尽管人们越来越乐观，神经形态计算还是提出了实用性的问题，以及伦理、社会和法律问题。
神经形态计算和工程杂志最近发表了2022年该领域未来的路线图。在这篇文章中，研究人员指出，神经形态计算的一个主要驱动力将是开发低功耗复杂数据集的新计算方法。
在神经形态硬件、算法和材料方面的研究可能会为计算机的广泛应用带来机遇: 自动驾驶汽车、机器人、生物混合系统和再生医学等等。
虽然非挥发性记忆处于坚实的成熟水平，但纳米材料的情况并非如此。此外，包括光子计算和量子计算在内的神经形态电路仍然是新研究的温床。

搜索历史

神经形态芯片越来越多地模拟大脑可塑性

相关推荐

评论

精选推荐

站长推荐 /7