我們的大腦可能不大，但它們蘊(yùn)含大量的計(jì)算能力。出于這個(gè)原因，許多研究人員一直對(duì)創(chuàng)建模擬大腦神經(jīng)信號(hào)處理的人工網(wǎng)絡(luò)感興趣。這些人工網(wǎng)絡(luò)，稱為脈沖神經(jīng)網(wǎng)絡(luò) (SNN)，可用于創(chuàng)建智能機(jī)器人，或更好地了解大腦本身。

　　然而，大腦有 1000 億個(gè)微小的神經(jīng)元，每個(gè)神經(jīng)元通過突觸連接到 10,000 個(gè)其他神經(jīng)元，并通過電脈沖的協(xié)調(diào)模式表示信息。在緊湊型設(shè)備上使用硬件模擬這些神經(jīng)元——同時(shí)確保以節(jié)能的方式完成計(jì)算——已被證明具有挑戰(zhàn)性。

　　在最近的一項(xiàng)研究中，印度的研究人員實(shí)現(xiàn)了超低能量的人工神經(jīng)元，使 SNN 的排列更加緊湊。結(jié)果發(fā)表在 5 月 25 日的IEEE Transactions on Circuits and Systems I: Regular Papers上。

　　就像大腦中的神經(jīng)元在給定的能量閾值處出現(xiàn)峰值一樣，SNN 依賴于人工神經(jīng)元網(wǎng)絡(luò)，其中電流源為泄漏的電容器充電，直到達(dá)到閾值水平并且人工神經(jīng)元觸發(fā)，并且存儲(chǔ)的電荷重置為零. 然而，許多現(xiàn)有的 SNN 需要大的晶體管電流來為其電容器充電，這會(huì)導(dǎo)致高功耗或人工神經(jīng)元啟動(dòng)過快。

　　在他們的研究中，孟買印度理工學(xué)院教授 Udayan Ganguly及其同事創(chuàng)建了一種 SNN，該 SNN 依靠一種新的緊湊型電流源為電容器充電，稱為帶間隧道 (BTBT) 電流。

　　使用 BTBT，量子隧穿電流以超低電流為電容器充電，這意味著需要更少的能量。在這種情況下，量子隧穿意味著電流可以通過類似量子波的行為流過人工神經(jīng)元硅中的禁隙。BTBT 方法還無需使用大型電容器來存儲(chǔ)大量電流，從而為芯片上更小的電容器鋪平了道路，從而節(jié)省了空間。當(dāng)研究人員使用 45 納米商用絕緣體上硅晶體管技術(shù)測(cè)試他們的 BTBT 神經(jīng)元方法時(shí)，他們看到了大量的能源和空間節(jié)省。

　　“與在硬件尖峰神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)的最先進(jìn)的 [人工] 神經(jīng)元相比，我們?cè)谙嗨茀^(qū)域?qū)崿F(xiàn)了 5,000 倍的每個(gè)尖峰能量降低，并且在相似的區(qū)域和每個(gè)尖峰的能量降低了 10 倍，”Ganguly 解釋說.

　　然后，研究人員將他們的 SNN 應(yīng)用于受大腦聽覺皮層啟發(fā)的語音識(shí)別模型。使用 20 個(gè)人工神經(jīng)元進(jìn)行初始輸入編碼和 36 個(gè)額外的人工神經(jīng)元，該模型可以有效地識(shí)別口語，證明該方法在現(xiàn)實(shí)世界中的可行性。

　　值得注意的是，這種類型的技術(shù)可以很好地適用于一系列應(yīng)用，包括語音活動(dòng)檢測(cè)、語音分類、運(yùn)動(dòng)模式識(shí)別、導(dǎo)航、生物醫(yī)學(xué)信號(hào)、分類等。Ganguly 指出，雖然這些應(yīng)用程序可以使用當(dāng)前的服務(wù)器和超級(jí)計(jì)算機(jī)來完成，但 SNN 可以使這些應(yīng)用程序與邊緣設(shè)備一起使用，例如手機(jī)和物聯(lián)網(wǎng)傳感器——尤其是在能源限制緊張的情況下。

　　他說，雖然他的團(tuán)隊(duì)已經(jīng)證明他們的 BTBT 方法很有用對(duì)于關(guān)鍵字檢測(cè)等特定應(yīng)用，他們有興趣為各種應(yīng)用和客戶展示通用可重復(fù)使用的神經(jīng)突觸核心，并創(chuàng)建了一家名為 Numelo Tech 的初創(chuàng)公司來推動(dòng)商業(yè)化。他說，他們的目標(biāo)“是一個(gè)極低功耗的神經(jīng)突觸核心，并開發(fā)一種實(shí)時(shí)片上學(xué)習(xí)機(jī)制，這是自主生物啟發(fā)神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。這是圣杯。