在這個新興的計算機科學領域，科學家們正在對大腦進行建模，以使計算機更快、更有效。 在過去的幾十年裡，我們目睹了基於矽和其他半導體材料的計算機處理器的誕生所帶來的技術革命。
計算機曾經有整個房間那麼大，但後來縮小為單個芯片。 摩爾定律是戈登摩爾在 1965 年使用的一個概念，用於描述每個集成芯片的組件數量每兩年翻一番，從而導致計算機速度越來越快的觀察結果，一直是這一趨勢背後的驅動力。
但隨著計算機、機器人、物聯網 (IoT) 和智能機器的進步導致計算需求增加，半導體行業已經到了無法再進一步小型化計算機芯片的地步。 實際上只有這麼多的晶體管可以裝在一個芯片上。
因此，計算機科學家正在轉向一種全新的計算方法，稱為“神經形態計算”，其中計算機被設計為與人腦類似地運行並與外界交互。
這個研究領域越來越受歡迎，被認為是創建計算機硬件和人工智能係統的基礎階段。 我們涵蓋了您需要了解的有關這個新興領域的所有信息，以及它對計算機科學的未來意味著什麼。
大腦如何處理和存儲信息？
在繼續討論神經形態設備及其應用之前，最好先討論一下激發這一領域的生物學現象（突觸可塑性）。 這是人腦改變和適應新信息的非凡能力。 為了正確評估這一點，我們必須首先討論我們自己的“計算機中心”的基本運作。
大腦的信使細胞稱為神經元。 由於突觸，它們都是相互連接的，突觸是將它們全部連接在一個巨大網絡中的連接點，通過該網絡傳輸電子脈沖和化學信號。 它們使用“尖峰”相互通信，“尖峰”是幾毫秒長的短脈衝。
計算機中的記憶可以簡單地通過添加更多的記憶細胞來增加，但在大腦中，記憶是通過加強神經元之間的聯繫並創造新的聯繫來產生的。 當兩個神經元彼此更緊密地連接時，我們可以說連接的突觸的突觸權重增加。 我們大腦中大約有 10 個12 有神經元，它們相互連接 10.15 它們通過突觸進行交流。 這些連接和它們之間的交流程度會隨著時間和接收到的刺激或尖峰的數量而波動，以便大腦能夠適應不斷變化的環境，形成和保存記憶。
理解增強和抑制是至關重要的，這是突觸可塑性的兩個關鍵機制，其中突觸連接逐漸加強或減弱，並在學習和記憶中發揮重要作用。 這在從幾秒到幾小時或更長時間的任何時間範圍內都是可能的。
更高頻率的尖峰，例如學習新技能時出現的尖峰，被假設通過加強或加強某些突觸與長期記憶的發展有關。 另一方面，較低頻率的刺激會導致抑鬱，從而削弱相關突觸連接處的連接（或突觸權重），這類似於忘記學到的東西。
應該強調的是，這有點過於簡單化了，賦權和壓抑不僅取決於節拍的頻率，還取決於時間。 例如，當許多神經元同時向突觸發送尖峰信號時，突觸權重的增加速度比連續脈衝快得多。
研究人員必須跳出框框思考，有意模仿這個過程，因為它非常複雜。
神經形態計算機如何工作？
用於構建現代計算機的馮·諾依曼架構基於艾倫·圖靈 (Alan Turing) 在 1930 年代首先提出的想法。 這種配置需要將內存和數據處理單元分開，這會降低性能，因為數據必須在它們之間來回發送並且不必要地消耗更多功率。
另一方面，神經形態計算機使用將計算和內存結合在單個組件中的芯片架構。 在硬件方面，這個領域正在擴大，包括尖端的新設計、各種材料和新的計算機部件。
來自世界各地的研究人員正致力於使用有機和無機材料創建模擬大腦靈活性的神經元和突觸合成網絡。 目前存在的大多數大型神經形態計算機，如 IBM 的 TrueNorth、英特爾的 Loihi 和 BrainScales-2，都使用基於成熟金屬氧化物半導體技術的晶體管。
馮·諾依曼計算機經常使用晶體管作為電子構件之一。 有數百種不同類型的晶體管，金屬氧化物半導體場效應晶體管或 MOSFET 是最受歡迎的。 它們主要用作計算機芯片內電流的開關（在較小程度上是放大器）。
這允許每個晶體管處於導通或關閉狀態，相當於二進制的 1 或 0，並阻止或允許電流流動，允許其存在於任一狀態。 這種工作原理使得存儲和處理信息變得異常容易，這就是為什麼電子存儲單元和邏輯門已成為我們數字世界的重要組成部分。
然而，我們大腦中的電信號不僅僅是 0 和 1。 例如，突觸之間的連接可能具有不同的“權重”或密度。
已經創建了許多工具來在神經形態計算機上對此進行模擬。 調製單元之間信號的“有源層”包含在稱為聚合物突觸晶體管的特定類型的半導體晶體管中。 電導率以及信號的輸出受用於形成該層的導電聚合物的特定成分的影響。
當通過晶體管施加特定的電壓頻率時，有源層會發生變化，從而導致電信號的抑製或放大，這與大腦活動的峰值相當。 這基本上就是可塑性的來源，每個尖峰都包含有關頻率、時間、大小和形狀的數字數據。 尖峰可以轉換為二進制值，反之亦然，但目前正在研究具體過程。
研究人員報告了越來越多的創造性方法來模擬大腦的結構，使用人工元件，如憶阻器、電容器、自旋電子設備，甚至一些有趣的嘗試使用真菌進行神經形態計算。 神經形態硬件也不僅限於晶體管。
如何為神經形態計算機編程？
神經形態計算機經常使用人工神經網絡 (ANN) 來執行計算任務。 尖峰神經網絡 (SNN) 是 ANN 的眾多變體之一，特別令人感興趣，因為它們建立在合成神經元之上，這些神經元通過交換稱為“尖峰”的電信號相互交互，並將時間納入其模型。 因此，這些系統使用的能量更少，因為人工神經元僅在它們接收到的脈衝總數超過特定閾值時才廣播信息。
在網絡開始工作之前，必須對其進行編程，或者換句話說，學習。 這是通過向他提供他可以從中得出的事實來實現的。 學習策略可能因 ANN 的類型而異。 例如，如果正在訓練網絡識別照片中的貓或狗，則可以輸入帶有“貓”或“狗”標籤的數千張圖像，以訓練受試者在未來的工作中自行識別它。 操縱圖像中每個像素的顏色需要極其費力的識別計算。
ANN 種類繁多，使用哪一種取決於用戶的需要。 儘管 SNN 因其低功耗而很有吸引力，但它們通常難以訓練，主要是由於其複雜的神經元動力學和尖峰過程的難以區分的性質。
在哪裡使用神經形態計算？
據專家介紹，神經形態設備將補充而不是取代傳統的計算機硬件，特別是在解決某些技術問題時。 雖然有人聲稱神經形態計算機可以模擬布爾邏輯，這是任何現代編程語言的基本思想，但這表明神經形態計算機有可能執行通用計算。
無論如何，大腦在能效和計算速度方面優於傳統計算機的領域和應用都會發現神經擬態計算非常令人印象深刻。
其中包括應用人工智能 (AI) 有效地執行語音或圖像識別等認知任務，以及為機器人技術、傳感和醫療保健（僅舉幾例）開闢新的可能性。
儘管該主題仍處於起步階段並且需要克服一些障礙，但神經形態計算正變得越來越流行，並為傳統計算機系統提供了一種可行的替代方案。
來源：advancedsciencenews
Günceleme: 14/03/2023 15:25