Table of Contents

Биологический план: как мозг вдохновляет нейроморфные вычисления

Нейроморфные вычисления представляют собой фундаментальный отход от традиционных архитектур фон Неймана, которые доминировали в вычислениях в течение десятилетий. Вместо того, чтобы разделять память и обработку в отдельные единицы, которые переносят данные туда и обратно, нейроморфные системы встраивают память непосредственно в элементы обработки, отражая собственную архитектуру мозга. В биологическом мозге один нейрон принимает сигналы от тысяч других нейронов, интегрирует их, а затем запускает электрический всплеск, который перемещается по синапсам, чтобы влиять на нейроны вниз по течению. Этот управляемый событиями, массово параллельный подход достигает замечательных вычислительных подвигов, потребляя только около 20 ватт мощности - часть того, что требует даже скромный сервер. Нейроморфные вычисления направлены на репликацию этой эффективности с использованием электронных компонентов, которые имитируют электрическое поведение биологических нейронов и синапсов.

Вдохновленные десятилетиями исследований в области нейробиологии, эти системы опираются непосредственно на принципы пластичности, зависящей от импульсного воздействия, обучения Хеббиану и синаптического масштабирования. Цель состоит не только в том, чтобы моделировать нейронные сети на обычном оборудовании, но и в том, чтобы создавать оборудование, которое работает в основном нейронным образом. Это архитектурное различие имеет глубокие последствия для задач, которые человеческий мозг выполняет без усилий, таких как распознавание лица в переполненной комнате, понимание разговорного языка с фоновым шумом или настройка захвата незнакомого объекта без сознательного мышления. Встраивая принципы биологических вычислений непосредственно в кремний и другие материалы, нейроморфная инженерия обещает разблокировать возможности, которые остаются неуловимыми для традиционных машин.

Понимание нейроморфных вычислений: сдвиг парадигмы

В своей основе нейроморфные вычисления переосмысливают фундаментальные строительные блоки вычислений. Там, где обычные цифровые системы полагаются на булевы логические вентили и синхронизированные по часам операции, нейроморфные чипы используют сети искусственных нейронов и синапсов, которые взаимодействуют через асинхронные шипы. Эта модель, управляемая событиями, означает, что мощность потребляется только тогда, когда нейрон зажигает, а не непрерывно ездит по инструкциям. Результатом является значительно более энергоэффективный подход, который превосходит распознавание образов, сенсорную обработку и адаптивные задачи обучения.

Одним из наиболее значимых аспектов этого сдвига парадигмы является то, как нейроморфные системы справляются с неопределенностью и шумом. Биологический мозг процветает в шумных средах — он может извлекать значимые сигналы из неоднозначных данных и принимать надежные решения, несмотря на неполную информацию. Традиционные цифровые системы, напротив, предназначены для детерминированной точности и часто борются, когда сталкиваются с неоднозначными или шумными входами. Нейроморфные архитектуры охватывают стохастичность как особенность, а не ошибку, используя присущую изменчивость физических устройств для достижения надежности и адаптивности. Это делает их особенно хорошо подходящими для реальных приложений, где данные беспорядочны, среда изменяется непредсказуемо, а бюджеты мощности ограничены.

Роль шипящих нейронных сетей

Центральным для нейроморфных вычислений является шипирующая нейронная сеть (SNN), вычислительная модель, которая более точно отражает биологическую нейронную активность, чем традиционные искусственные нейронные сети. В SNN каждый нейрон накапливает входящие сигналы с течением времени и запускает только тогда, когда его мембранный потенциал пересекает порог. Точное время этих шипов несет информацию, позволяя сети кодировать данные как по скорости, так и по временной схеме стрельбы. Эта схема временного кодирования предлагает естественный механизм для обработки изменяющихся во времени сигналов, таких как речевые, видео и сенсорные потоки, без необходимости отдельных временных слоев обработки. SNN также проявляют присущую способность к обработке событий, где вычисления запускаются входящие шипы, а не глобальными часами, что еще больше снижает потребление энергии.

Обучение в SNN часто опирается непосредственно на биологические принципы, используя локальные правила пластичности, такие как зависящая от спайка пластичность, которая регулирует силу синапсов на основе относительного времени пред- и постсинаптических всплесков. Этот локальный, неконтролируемый механизм обучения позволяет нейроморфным системам адаптироваться к шаблонам в своих входных потоках, не требуя массивных помеченных наборов данных или централизованных расчетов градиентов. В результате они являются естественными кандидатами для непрерывного обучения в периферийных устройствах, где проблемы конфиденциальности данных и ограничения пропускной способности делают обучение на основе облачных вычислений непрактичным.

Электронные основы нейроморфных систем

Практическая реализация нейроморфных вычислений опирается на основу специализированных электронных компонентов, которые могут эмулировать нейронные и синаптические функции с высокой точностью и низкой мощностью. Эти компоненты должны работать в масштабах, которые начинают приближаться к плотности и эффективности биологического мозга — примерно 86 миллиардов нейронов и 100 триллионов синапсов в человеческом мозге — оставаясь при этом производными от существующих полупроводниковых процессов. Хотя современные нейроморфные чипы по-прежнему на порядки меньше человеческого мозга с точки зрения количества нейронов, быстрые достижения в электронных материалах и архитектурах устройств неуклонно сокращают разрыв.

Оригинальное название: Memristors: The Synaptic Analogue

Мемристоры — сокращение от резисторов памяти — представляют собой двухконцевые пассивные компоненты, сопротивление которых изменяется на основе истории приложенного напряжения и тока. Это мемристивное поведение поразительно похоже на то, как биологические синапсы укрепляют или ослабляют свои связи в ответ на активность. В биологическом синапсе высвобождение нейротрансмиттеров через синаптическую щель изменяет проводимость постсинаптической мембраны; в мемристоре движение кислородных вакансий или ионов металлов в тонком оксидном слое изменяет сопротивление устройства. Оба процесса проявляют пластичность, удержание и форму памяти, которая является аналоговой и энергонезависимой.

Что делает мемристоры особенно привлекательными для нейроморфных вычислений, так это их способность реализовывать синаптическое хранилище веса непосредственно в точке вычислений. В архитектуре синоптических массивов — сетке горизонтальных и вертикальных электродов с мемристором на каждом перекрестке — проводимость каждого устройства представляет собой синаптический вес. Когда входные напряжения вдоль колонн выполняют операцию умножения и накопления за один шаг, известную как вычисления в памяти. Это устраняет затраты энергии и задержки на перемещение данных веса между отдельными запоминающими и вычислительными блоками, основное узкое место в обычных ускорителях нейронных сетей. Исследователи продемонстрировали мемристорные кроссбарьерные массивы, способные выполнять задачи распознавания образов с замечательной эффективностью, и текущая работа направлена на улучшение однородности устройства, выносливости и удержания, чтобы сделать эти массивы практичными для коммерческих применений.

Новые материалы, такие как диоксид гафния, оксид тантала и дихалькогениды переходных металлов, исследуются для повышения производительности мемристора, в то время как новые структуры устройств, такие как трехконцевые мемтрансисторы и сегнетоэлектрические мемристоры, предлагают дополнительные степени контроля над синаптической пластичностью. Интеграция мемристоров с комплементарной схемой металл-оксид-полупроводник (CMOS) представляет как проблемы, так и возможности, поскольку литейно-совместимые процессы должны уравновешивать уникальные требования мемристивного переключения с установленной инфраструктурой изготовления кремния.

Нейронные сети на основе транзисторов

В то время как мемристоры преуспевают в эмуляции синапсов, транзисторы остаются основными строительными блоками для искусственных нейронов. В нейроморфных конструкциях транзисторы расположены в схемах, которые захватывают интегрированное и огневое поведение биологических нейронов. Базовая искусственная нейронная схема интегрирует входящий ток на конденсатор — представляющий мембранный потенциал — а затем разряжает конденсатор через импульсную схему, когда потенциал пересекает порог. Скорость стрельбы может модулироваться синаптической входной силой, обеспечивая динамический диапазон реакций, аналогичных реальным нейронам.

Подпороговые аналоговые транзисторные схемы особенно хорошо подходят для нейроморфных применений, поскольку они работают при чрезвычайно низких токах, имитируя обработку сигналов низкой мощности биологических нейронов. Путем смещения транзисторов ниже порогового напряжения конструкторы могут достигать констант времени в миллисекундном диапазоне, сопоставляя временные рамки нейронной интеграции. Такой подход позволяет строить целые популяции искусственных нейронов на одном чипе с плотностью мощности, сравнимой с биологической нервной тканью. Известные примеры включают чип Neurogrid из Стэнфордского университета, который объединяет 16 пользовательских нейрокоров на чип, каждый из которых содержит тысячи аналоговых нейронов, и демонстрирует нейронное моделирование в реальном времени с потреблением энергии всего в несколько ватт.

Передовые транзисторные технологии, в том числе полностью обедненные устройства на изоляторе кремния (FD-SOI) и транзисторы с отрицательной емкостью, еще больше расширяют оболочку эффективности за счет уменьшения токов утечки и обеспечения более крутых подпороговых склонов. Эти инновации позволяют нейроморфным чипам работать при более низких напряжениях питания при сохранении быстрых скоростей переключения, непосредственно переводя на более низкую энергию на пик. Кроме того, новые концепции транзисторов, такие как устройства на основе спина и туннельные полевые транзисторы, предлагают возможность сверхнизковольтной работы, которая может приблизиться к фундаментальным энергетическим пределам вычислений, оцененным примерно в 0,1 аттоджоуля на всплеск для одной операции синапса.

Устройства резистивного переключения и материалы фазового изменения

Помимо мемристоров и транзисторов, разнообразное семейство резистивных коммутационных устройств предоставляет дополнительные возможности для реализации синаптических и нейрональных функций. Устройства памяти с фазовым изменением, использующие обратимый переход между аморфным и кристаллическим состояниями в таких материалах, как Ge2Sb2Te5, демонстрируют широкий спектр аналоговых состояний сопротивления и использовались для построения синаптических массивов с множественными уровнями веса.Постепенная динамика кристаллизации этих материалов естественным образом моделирует медленные, кумулятивные изменения, лежащие в основе долговременного потенцирования в биологических синапсах, и их тепловые характеристики могут быть спроектированы для имитации кривых забывания, наблюдаемых в памяти человека.

Электрохимические устройства памяти с произвольным доступом полагаются на электродепозицию ионов металлов для формирования или растворения проводящих нитей в твердом электролите, достигая аналогового переключения с очень низкой энергией на переход. Устройства с магнитной памятью с крутящим моментом (STT-MRAM) предлагают другой путь, используя движение магнитной стенки домена или спин-поляризованные токи для модуляции сопротивления способом, который может быть сконфигурирован для бинарной или аналоговой операции. Каждая из этих технологий приносит уникальные сильные стороны с точки зрения скорости переключения, выносливости, удержания и потребления энергии, что делает их подходящими для различных ролей в нейроморфной системе. Комплексная нейроморфная архитектура может сочетать, например, быстрые летучие переключающие устройства для кратковременной пластичности с энергонезависимыми резистивными воспоминаниями для долгосрочного хранения веса, зеркально отражая комплементарные системы памяти в биологическом мозге.

Основные преимущества перед традиционными вычислениями

Архитектурные и материальные инновации, лежащие в основе нейроморфных вычислений, превращаются в ощутимые преимущества для конкретных рабочих нагрузок, особенно тех, которые связаны с сенсорной обработкой в реальном времени, адаптивным контролем и непрерывным обучением.Эти преимущества достаточно убедительны, чтобы крупные технологические компании, включая Intel, IBM, Samsung и многочисленные стартапы, вкладывали значительные средства в разработку нейроморфных аппаратных и программных экосистем.

Энергоэффективность

Энергоэффективность является наиболее часто упоминаемым преимуществом нейроморфных вычислений и не без причины. Биологический мозг работает при плотности мощности примерно 10 Вт/м2 - по сравнению с примерно 1000 Вт/м2 для типичного микропроцессора - при выполнении сложных перцептивных и моторных задач, которые остаются сложными для машин. Нейроморфные чипы, используя обработку, основанную на событиях, аналоговые вычисления и обработку данных в памяти, достигают экономии энергии на несколько порядков по сравнению с обычными графическими процессорами и процессорами в задачах, таких как пиковый вывод нейронной сети и обучение усилению. Например, нейроморфный исследовательский чип Intel Loihi 2 продемонстрировал снижение энергии до 1000 раз по сравнению с обычными процессорами на основе событийного зрения и обонятельных сенсорных задачах, все это при работе на милливаттных энергетических бюджетах. Это делает нейроморфные процессоры уникальным образом подходящими для периферийных устройств, носимых устройств и автономных систем, где время автономной работы и рассеивание тепла являются критическими ограничениями.

Обучение и адаптация в реальном времени

В то время как обычные системы глубокого обучения отделяют обучение от вывода — обычно требуя мощного кластера серверов для обучения модели, которая затем развертывается на отдельной платформе вывода — нейроморфные системы могут непрерывно учиться в реальном времени из потоковых данных. Эта способность естественным образом вытекает из местных правил пластичности, реализованных в их электронных синапсах, которые регулируют веса в ответ на постоянный сенсорный ввод, не требуя внешнего наблюдения или обратного распространения во времени. Для автономного дрона, перемещающегося по загроможденной среде, это означает, что он может адаптировать свои маневры полета к изменяющимся условиям ветра или научиться распознавать новые препятствия, не будучи переобученным в облаке. Аналогично, нейроморфный контроллер протезной конечности может постоянно совершенствовать свое декодирование нейронных сигналов на основе движений пользователя, обеспечивая более естественный и отзывчивый контроль с течением времени. Эта способность онлайн-обучения открывает дверь для систем, которые улучшаются с опытом способами, которые непрактичны с текущими подходами глубокого обучения.

Масштабируемость и отказоустойчивость

Биологические мозги работают с медленными, шумными компонентами, которые часто выходят из строя, но они поддерживают надежную функцию благодаря массивному резервированию и распределенной обработке. Нейроморфные системы наследуют степень этой отказоустойчивости, потому что они построены из многих независимых обрабатывающих элементов, которые работают параллельно. Потеря нескольких нейронов или синапсов в большой сети обычно изящно ухудшает производительность, а не вызывает катастрофический сбой, так же как человеческий мозг компенсирует постоянную гибель отдельных нейронов. Эта распределенная архитектура также масштабируется естественным образом: добавление большего количества нейроморфных ядер или чипов расширяет вычислительную мощность почти линейным образом, без узких мест пропускной способности памяти, которые ограничивают обычные многоядерные системы. Для приложений, требующих крупномасштабных нейронных симуляций, таких как вычислительные исследования нейронауки, эта масштабируемость необходима для моделирования сетей, приближающихся к размеру мозга животных или человека.

Современные вызовы и исследовательские рубежи

Несмотря на впечатляющий прогресс последнего десятилетия, нейроморфные вычисления сталкиваются со значительными проблемами, которые необходимо преодолеть, прежде чем они смогут добиться широкого распространения. Эти проблемы охватывают материаловедение, контурное проектирование, архитектуру, разработку алгоритмов и интеграцию с существующей вычислительной инфраструктурой. Исследователи в академических кругах и промышленности активно ищут решения, и темпы инноваций не показывают признаков замедления.

Ограничения материаловедения

Производительность нейроморфных устройств критически зависит от качества и воспроизводимости материалов, используемых для построения мемристоров, элементов фазового изменения и других возникающих компонентов. Переменная в поведении переключения — как на устройствах на одном чипе, так и на цикле — остается основным препятствием для создания крупномасштабных массивов, которые функционируют надежно. Мемристоры, в частности, могут демонстрировать стохастическое время переключения и дрейф проводимости, которые ухудшают точность хранения веса и усложняют обучение. Решение этих проблем требует более глубокого понимания физических механизмов, регулирующих резистивное переключение, а также достижений в методах осаждения, электродной инженерии и инкапсуляции для создания более однородных и стабильных устройств. Перспективные направления включают использование двумерных материалов, таких как дисульфид молибдена и гексагональный нитрид бора, которые предлагают атомарно гладкие интерфейсы и уменьшенные плотности дефектов, и изучение электролитного жевания для достижения более постепенного аналогового переключения.

Архитектурная сложность

Проектирование крупномасштабной нейроморфной системы, которая уравновешивает гибкость, эффективность и простоту программирования, является сложной инженерной задачей. Наиболее успешные нейроморфные чипы на сегодняшний день, такие как IBM TrueNorth, Intel Loihi и SpiNNaker, каждый из которых использует различные архитектурные подходы - от чисто цифровых колеблющихся ядер до аналоговых / цифровых конструкций со смешанным сигналом - и каждый из них включает компромиссы между точностью модели нейрона, синаптической плотностью, структурами подключения и потреблением энергии. Пока еще нет консенсуса по оптимальной архитектуре, и область остается богатой открытыми вопросами о том, как лучше всего отображать нейронные алгоритмы на физические субстраты. Поскольку системы масштабируются до миллионов нейронов и миллиардов синапсов, одна только инфраструктура связи - маршрутизация, которая соединяет все эти элементы - становится серьезной проблемой проектирования, требуя новых топологий сети на чипе, асинхронных протоколов передачи сигналов и эффективных алгоритмов маршрутизации шипов. Текущие исследования изучают иерархические и модульные подходы, которые отражают собственную региональную специализацию мозга, потенциально предлагая путь к масштабируемым, биологически вдохновленным архитектур

Интеграция с существующими системами

Для того чтобы нейроморфные вычисления могли достичь своего потенциального воздействия, они должны функционировать как практический компонент в более широких вычислительных системах, а не как автономное исследовательское любопытство. Для этого требуются надежные интерфейсы для обычных цифровых процессоров, систем памяти и программных экосистем. Современные нейроморфные чипы обычно работают в одном из двух режимов: либо в виде тесно связанных сопроцессоров, которые обрабатывают конкретные задачи, такие как сенсорная предварительная обработка или обучение с подкреплением, в то время как обычный процессор управляет общим управлением, либо в качестве автономных движков вывода, которые принимают ввод от датчиков и доставляют решения напрямую. Ни один из режимов не является полностью бесшовным, и разработка стандартизированных протоколов связи, наборов инструментов компилятора и программных рамок высокого уровня остается активной областью разработки программного обеспечения. Проекты, такие как инфраструктура Lava от Intel и программная инфраструктура SpiNNaker, направлены на абстрагирование аппаратных деталей, позволяя исследователям и разработчикам сосредоточиться на проектировании оборудования и разработке алгоритмов. По мере созревания этих инструментов барьер для входа для нейроморфных вычислений будет неуклонно уменьшаться, открывая технологию для более

Приложения на горизонте

Уникальные возможности нейроморфных систем позволяют им трансформировать широкий спектр отраслей и областей применения. В то время как некоторые приложения все еще находятся на стадии исследований, другие уже движутся к коммерческому развертыванию, что обусловлено растущим спросом на интеллектуальную обработку с низким энергопотреблением на краю.

Передовая робототехника и автономные системы

Робототехника может извлечь огромную пользу из нейроморфных вычислений, потому что роботы должны работать в неструктурированных средах с сенсорной обратной связью в реальном времени и адаптивным управлением. Нейроморфный контроллер может одновременно обрабатывать визуальные, слуховые, тактильные и проприоцептивные потоки с использованием датчиков, управляемых событиями, таких как камеры на основе событий, которые сообщают об изменениях яркости, резко сокращая количество данных, которые должны передаваться и обрабатываться. В сочетании с пиковыми нейронными сетями, которые интегрируют сигналы с течением времени, эти системы могут достигать быстрого времени реакции - порядка микросекунд - при потреблении минимальной мощности. Это делает нейроморфные процессоры идеальными для дронов, ногатых роботов и роботизированных рук, которые динамически взаимодействуют с окружающей средой. Исследовательские группы уже продемонстрировали нейроморфный контроль квадрокоптеров, выполняющих маневры, роботизированные руки, манипулирующие объектами с ловкостью, и мобильные роботы, манипулирующие объектами без явного отображения - все на бюджетах мощности в масштабе милливатт. По мере того, как нейроморфное оборудование

Edge Computing и Интернет вещей

Интернет вещей (IoT) принципиально ограничен мощностью и пропускной способностью: миллиарды подключенных датчиков генерируют огромные объемы данных, которые невозможно передать в облако для обработки. Нейроморфные процессоры предлагают альтернативу, выполняя интеллектуальную предварительную обработку, обнаружение аномалий и принятие решений непосредственно на сенсорном узле, передавая только соответствующие события или резюме в системы более высокого уровня. Например, нейроморфный чип в носимом мониторе здоровья может непрерывно анализировать сигналы ЭКГ или ЭЭГ для аритмий или эпилептических шипов, вызывая оповещение только при обнаружении медицински значимых моделей, потребляя при этом так мало энергии, что устройство работает в течение нескольких месяцев на крошечной батарее. Аналогично, в интеллектуальных системах зданий нейроморфные датчики могут обнаруживать модели заполняемости, акустические аномалии или изменения качества воздуха и корректировать экологические элементы управления в режиме реального времени, не полагаясь на облачное подключение. Сочетание сверхнизкой мощности, событийного зондирования и адаптивного обучения делает нейроморфные вычисления естественными для ограниченных ресурсами, всегда-на устройствах, которые определяют преимущество

Здравоохранение и неврология

Нейроморфная технология также создает мощные новые инструменты для здравоохранения и фундаментальных исследований в области нейронауки. Нейроморфная симуляция в реальном времени с малой мощностью позволяет проводить эксперименты с замкнутым циклом, где нейроморфная система взаимодействует с живой нервной тканью, потенциально приводя к передовым интерфейсам мозг-машина, которые могут декодировать двигательные команды с высокой точностью или доставлять терапевтическую стимуляцию для неврологических расстройств. В протезах нейроморфные контроллеры, которые учатся на собственных сигналах моторного намерения пользователя, дают обещание более естественного и отзывчивого движения. Для вычислительной нейробиологии крупномасштабные нейроморфные платформы обеспечивают возможность моделировать сети из десятков тысяч нейронов с реалистичной динамикой, позволяя исследователям тестировать гипотезы о нейронном кодировании, обучении и памяти способами, которые невозможны с обычными компьютерами. Эти системы также служат испытательным стендом для разработки новых алгоритмов и архитектур, создавая добродетельный цикл, где биологическое понимание информирует инженерные и инженерные системы, в свою очередь, проливают свет на функцию мозга.

Перспективы будущего: преодоление биологического и искусственного интеллекта

Заглядывая в будущее, траектория нейроморфных вычислений указывает на будущее, где электронные системы все чаще разделяют принципы нейронных вычислений со своими биологическими аналогами. По мере созревания материалов, устройств, архитектур и алгоритмов нейроморфные чипы станут быстрее, эффективнее, более способными и проще программировать, позволяя приложениям, которые в настоящее время недоступны. Интеграция нейроморфных датчиков — таких как видение на основе событий и слуховые датчики — с нейроморфными процессорами создаст системы восприятия с замкнутым контуром, которые работают со скоростью и эффективностью биологических рефлексов, применимых ко всему, от автономных транспортных средств до промышленной автоматизации. Достижения в обучении на чипе и постоянной адаптации сделают эти системы более автономными и надежными, уменьшая потребность в облачной связи и человеческом вмешательстве.

Однако важно признать, что нейроморфные вычисления не являются универсальной заменой обычным вычислениям. Многие задачи — от электронных таблиц до научных вычислений и крупномасштабного генеративного ИИ — гораздо лучше подходят для архитектур фон Неймана с их детерминированной точностью и массивной памятью. Реальный потенциал нейроморфных вычислений заключается в увеличении обычных систем, обработке сенсорных, адаптивных рабочих нагрузок в реальном времени, с которыми традиционные машины плохо справляются, в то же время служа дополнительной технологией, которая расширяет общую оболочку вычислительных возможностей. Эта симбиотическая связь между нейроморфными и обычными вычислениями, вероятно, будет формировать дизайн будущих гетерогенных систем, где специализированные нейроморфные ядра сидят рядом с процессорами на том же чипе или в том же пакете, каждый из которых выполняет задачи, для которых он лучше всего подходит.

Электронные основы нейроморфных вычислений — мемристоры, передовые транзисторы, устройства резистивного переключения и их интеграция в функциональные нейронные сети — закладываются сегодня в лабораториях по всему миру. Каждый прогресс в материаловедении, каждая новая концепция устройства и каждая улучшенная архитектура приближают нейроморфные вычисления к практическому, масштабируемому развертыванию. В то время как проблемы остаются в единообразии устройств, архитектурной сложности и интеграции программного обеспечения, фундаментальная физика и биология, которые вдохновляют этот подход, хорошо установлены, и инженерный импульс силен. В следующем десятилетии нейроморфные процессоры, как ожидается, перейдут от исследовательского любопытства к коммерческой реальности, появляясь в датчиках, носимых устройствах, роботах и встроенных системах, где их уникальные преимущества в энергоэффективности, адаптивности и производительности в реальном времени могут оказать наибольшее влияние.

В конечном счете, будущее нейроморфных вычислений неотделимо от будущего электроники. Те же самые силы — миниатюризация, материальные инновации и архитектурное творчество — которые десятилетиями приводили к созданию полупроводниковой промышленности, теперь используются для создания машин, которые вычисляют, как мозг. По мере того, как эти силы продолжают разворачиваться, граница между биологическим и искусственным интеллектом будет размываться не потому, что машины станут сознательными в любом человеческом смысле, а потому, что они будут разделять одни и те же вычислительные примитивы: нейроны, которые интегрируются, шипят и адаптируются; синапсы, которые усиливаются и ослабевают с опытом; и сети, которые учатся из своей среды без явного программирования. Эта конвергенция не только откроет мощные новые технологии, но и углубит наше понимание нашего собственного мозга, создавая добродетельную петлю обратной связи между нейронаукой и инженерией, которая обогащает обе области. Для исследователей, инженеров и всех, кто когда-либо восхищался замечательной эффективностью человеческого разума, эра нейроморфных вычислений является одним из самых захватывающих рубежей в современной технологии.

Внешние ресурсы:

  • Intel Neuromorphic Computing Research — информация о семействе нейроморфных процессоров и программных средств Intel Loihi.
  • IBM Brain-Inspired Computing — подробная информация о чипе TrueNorth от IBM и связанных с ним исследованиях энергоэффективных нейронных архитектур.
  • Стэнфордские мозги в лаборатории Кремния — Ресурсы по нейросетям, аналоговому нейроморфному дизайну и вычислительной нейробиологии в Стэнфорде.
  • Nature: Neuromorphic Engineering Overview — всеобъемлющая обзорная статья о материалах и устройствах, лежащих в основе нейроморфных вычислений.