Biyolojik Blueprint: Beyin Nöromorphic Computing

Nöromorfik hesaplama, geleneksel von Neumann mimarlıklarından on yıllardır bilgi sahibi olan temel bir çıkış temsil eder. hafızayı ayırıp, verileri geri ve ileri doğru kullanan farklı birimlere devretme yerine, nöromorphic sistemler hafızayı doğrudan işleme elemanları içinde barındırır, beyinlerin kendi mimarisini aynalar, tek bir nöron, binlerce diğer nörondan sinyalleri alır ve sonra bu tür mikropiyonları kullanarak bu türdeki etkileşimlerin tamamını kullanarak çoğaltır.

On yıllar boyunca nörobilim araştırmalarından ilham alarak, bu sistemler temel olarak sinirsel bir şekilde çalışan donanım oluşturmak için doğrudan doğruya doğru hareket eder, insan beyninin yoğun bir odada bir yüze sahip olduğu gibi, dilsel ölçeklendirme ile konuşma dili anlamak veya sadece, bilinmeyen bir nesne üzerinde iletişim kurmak değildir.Bu mimari farkı doğrudan silikon ve diğer malzemelere bağlı olarak, sinirsel bir mühendislik vaatlerini tanıma gibi, bilişsel mühendislik vaatlerini tanımaya yönelik olarak, bilgilendirici bir şekilde ifade eder.

Nöromorphic Computing'i Anlayın: Bir Paradigm Shift

Onun özünde, nöromorphic hesaplama, asynchronous aksanı ile iletişim kuran yapay nöromorfik hesaplamalar yeniden tanımlar.Bu etkinlik odaklı model, güç yalnızca bir nöron yangınlarına güvendiği zaman, sürekli olarak talimatlar yoluyla bisikletle sürekli olarak tüketilmesi anlamına gelir. Sonuç, model tanıma, sensör işleme ve adaptif öğrenme görevleri ile iletişim kurmada başarılı olan daha enerji verimliliğine dayalı bir yaklaşımdır.

Bu paradigma değişikliğinin en önemli özelliklerinden biri, ne kadar sinirsel sistemler belirsiz ve gürültüyü idare eder. Biyolojik beyinler gürültülü ortamlarda büyür - belirsiz verilerden anlamlı sinyalleri alabilir ve eksik bilgilere rağmen güvenilir kararlar alabilir. Geleneksel dijital sistemler, aksine, belirsiz hassasiyet ve sık sık sık mücadele eder.Bu, yanlış veya gürültülü girişler için mücadele eder.

Spiking Neural Networks'in Rolü

Nöromorfik hesaplamaya merkezi, bu aksaklıkların kesin zamanlaması, hem geleneksel yapay sinir ağlarından daha yakından kodlanması için bir hesaplama modelidir.Bir SNN'de, her nöron, zaman gelen sinyalleri, hem de membran potansiyellerinin bir eşiği geçtiğinde toplayarak, bu aksaklıkların kesin zaman işleme noktalarına ulaşır.

SNN'lerde öğrenmek genellikle biyolojik ilkelerden doğrudan çekilir, büyük etiketli veri setlerini veya merkezileştirilmiş gradyan hesaplamaları gerektiren giriş akışlarında yerel plastikleme kurallarını kullanarak.Bu yerel, denetimsiz öğrenme mekanizması, bulut tabanlı eğitim engelleyicileri gerektiren ana akımları veya merkezileştirilmiş gradyan hesaplamaları gerektiren durumlarda, veri gizliliğine dayalı sürekli öğrenme için doğal adaylardır.

Nöromorphic Systems'in Elektronik Temelleri

Nöromorfik hesaplamanın pratik gerçekleşmesi, insan beynindeki uzman elektronik bileşenlerin temeli üzerinde geri kalanını geri alır - mevcut nöromorfik çiplerle elde edilebilir olan manufacturable işlevleri hala nöron sayması, biyolojik beyinlerin yoğunluğu ve verimliliğinin arttırılması gerekir - yaklaşık 86 milyar nöron ve 100 trilyon sinapsiyonlar insan beynindeki boşluklar sürekli olarak daralır.

Memristors: Synaptic Analog

Memristors - hafıza direnişçiler için kısa - baskı ve mevcut olan direnç değişikliklerine dayanan iki suçlu pasif bileşenlerdir.Bu memristive davranışı, biyolojik sinapsiyonların veya metal iyonların aktiviteye tepki verme biçimini çarpıcı bir şekilde benzerdir. Biyolojik bir sinaptürde, hem de her iki platomik fikre karşı direnç gösteren, hem de memristokrat olmayan bir hafıza biçimidir.

Benimristors özellikle nöromorphic hesaplama için çekici olan şey, her bir cihazda sinaptik ağırlık depolamasını doğrudan hesaplama noktasında uygulama yeteneğidir.Bir çaprazbar serisi mimarisinde - bir memristor ile bilinen bir ağ hattı - her bir kesişimdeki elektrik ve geçlik yükü, köşeler ve hesaplama birimlerinde ortaya çıkan bir şişe tutma cihazı ile ilgili olarak, bu tür bir ağ oluşturma ve analiz cihazının sabit tutma işlemine olanak sağlar.

Yeni malzemeler, hafnium dioksit, tantalum oksit ve geçiş metal dichalcogenides, memristokrat performansını artırmak için araştırılıyor, üç-terminal memtransistörler ve ferroelektrik memristorslar gibi yeni cihazlar, silikon fabrikalarının kurulmasıyla ilgili temel kontrol derecelerini dengelemeli.

Transistor-Based Neural Networks

Memristors sinapslar taklit ederken, transistörler yapay nöromorfik tasarımlarda, transistörlerin eşiğine entegre ettiği devrelere ayarlandığında, temel yapay nöronlar, gelenleri bir kapasitöre entegre eder - membran potansiyelini temsil eder - ve sonra potansiyel bir eşiği eşiği bir devreden atlar.

Subthreshold Analog transistör devreleri özellikle nöromorfik uygulamalar için iyi uygun, çünkü bunlar son derece düşük akımlarda çalışır, biyolojik nöronların düşük güç sinyal işlemesini taklit eder.Spektif örneklerle, sinirsel olmayan saçılımdaki son zamanlarda sabitler elde edebilir, her biri çipin iki boyutlu nöronları bir araya getirir ve sadece biyolojik dokuya karşılaştırılabilir olan bir güçle bir araya getirir.

Gelişmiş transistör teknolojileri, tamamen silinmiş silikon-on-insulator (FD-SOI) cihazların ve negatif kapasiteli transistörlerin, mevcut transistörlerin azaltılması ve alt eğimlerin izin vermesine izin veren yüksek çözünürlükte, yüksek çözünürlükte yüksek çözünürlükte, doğrudan enerji limitlerini artırmak için, tek bir sinük operasyonu için ortaya çıkan transistörlerin ve tünel alan-sonuçakların ortaya çıkmasına izin veriyor.

Dirençli Anahtarlama Cihazları ve faz Değiştiri

Memristors ve transistörlerin ötesinde, çeşitli direnç cihazları, sinaptik ve nöronal işlevleri uygulamak için ek seçenekler sunar. Bu malzemelerin kristal değiştirme dinamikleri doğal olarak, Ge2Sb2Te5 gibi malzemeler arasındaki geçişleri, ve termal özellikleri birçok ağırlık seviyesi ile sinaptik diziler inşa etmeyi unuturlar.

Elektrokimyasal rastgele erişim hafıza cihazları, metal iyonların sağlam bir elektrolit içinde formasyon veya faza dayanıklı filamentler oluşturmak için elektrot erişimli bellek cihazlarına güveniyor. Spin-transfer tok manyetik veri erişim hafıza (STT-MRAM) cihazları, farklı bir yol boyunca manyetik alan duvarı hareket veya spin-polarized akımları kullanarak, iki veya analog işlem için yapılandırılabilir bir şekilde birleştirilebilir. Bu teknolojiler her biri hızlı geçiş için eşsiz güçlü bir şekilde, dayanıklılık, tutma ve enerji tüketimi, farklı roller için uygun bir şekilde uygun hale getirir.

Geleneksel Hesaplamanın Anahtar Avantajları

Mimari ve malzeme yenilikleri temel nöromorphic hesaplama, belirli iş yükleri için somut avantajları, özellikle gerçek zamanlı sensör işleme, adaptif kontrol ve sürekli öğrenme içerenler için yeterince zorlayıcıdır. Bu avantajlar Intel, IBM, Samsung ve sayısız startup dahil olmak üzere büyük teknoloji şirketlerinin gelişmekte olan nöromorphic donanım ve yazılım ekosistemleri için yatırım yapmasına yardımcı olur.

Enerji Verimliliği

Enerji verimliliği, tipik bir mikroişlemci için en sık alıntılanan avantajdır ve iyi bir nedenle. Biyolojik beyinler, etkinlik odaklı işleme, analog hesaplamalar ve incelal veri işleme, sayısal kullanım için çeşitli ölçeklerdeki enerji tasarruflarını sağlayarak, klasik GPUs ve CPU'lar için kıyaslanma görevlerine kıyasla çeşitli derecelerin enerji tasarrufu sağlar.

Gerçek Zaman Öğrenme ve Adaptasyon

Geleneksel derin öğrenme sistemleri, inference'den ayrı bir eğitim alırken - genellikle, dış denetim veya geri dönüş platformu olmadan devam eden bir modele yanıt vermek için güçlü bir sunucu kümesini gerektiren bir sistemle sürekli olarak eğitilebilir.Bu yetenek, doğal olarak, uçuş manevralarından itibaren, bulut kontrollerine veya geri dönüşen bir nöromorfik deneyimine dayalı olarak yeniden tasarlamayı öğrenmeden yeni engellere cevap vermek için adapte edilebilir.

Scalability and Fault Tolerance

Biyolojik beyinler sık sık başarısız olan yavaş, gürültülü bileşenlerle çalışır, ancak büyük miktardaki büyük miktardaki büyük miktardaki büyük bir kesintiye neden olan sağlam işlevi korurlar ve bu hata toleransının sürekli ölümü için insan beyni telafi eden birçok bağımsız işlem elementinden oluşmaktadır.Bu, paralel olarak daha fazla nöromorfik çekirdek veya çipin kaybı, yakın bir şekilde sabit bir şekilde sabit olmayan bir şekilde sabitlenebilirlik sağlar.

Mevcut Zorluklar ve Araştırma Frontiers

Son on yılın etkileyici ilerlemesine rağmen, nöromorfik hesaplama, yaygın olarak kabul edilebilirliğe ulaşmadan önce üstesinden gelmeleri gereken önemli zorluklarla karşı karşıyadır. Bu zorluklar, malzeme bilimi, devre tasarımı, mimarlık, algoritma geliştirme ve mevcut bilişim altyapısıyla entegrasyon, akademik ve endüstrideki araştırmacılar aktif olarak çözümler peşindedir ve inovasyonun hızı yavaşlamamaktadır.

Malzeme Bilimi Sınırlamaları

Sinirli cihazların performansı, tek bir çip ve aşırı bisiklet üzerinde cihazlara kritik önem verir - özellikle de, memristors, faz değiştirme elemanları ve diğer ortaya çıkan bileşenleri ortaya çıkarabilir. Bu sorunların arasındaki fark, her iki mekanizmanın da güvenilir bir şekilde değiştirilmesi için büyük bir engel olmaya devam eder. Memristors, özellikle de elektrotiğe geçiş zamanlarını gösterebilir ve ağırlık depolamayı ve zorlayarak daha fazla boyutsal yönlendirmeyi önerebilir.

Mimari Kompleksi

IBM'in GerçekKuzey, Intel'in Loihi ve University of Manchester'ın SpiNNaker'i, her bir farklı mimari yaklaşımını içeren, en iyi fiziksel algoritmaların birbirine bağlı olarak, en iyi şekilde tasarlanmış fiziksel algoritmaların ve her bir mikroplomatik tasarıma bağlı olarak, her bir tasarımda, en iyi şekilde algılayıcıların ve diğer tüm fiziksel algoritmaların fiziksel özelliklerini keşfetmelerini gerektiren fiziksel bir tasarıma bağlı olarak, her türlü iletişim kurmasını gerektiren fiziksel bir sistemdir.

Mevcut sistemlerle entegrasyon

Nöromorfik hesaplama için potansiyel etkisini elde etmek için, iki moddan birinde pratik bir bileşen olarak işlev etmelidir: ya da sensör öncesi çalışma veya takviye öğrenme gibi belirli görevleri işleyenler, geleneksel CPUler, bellek sistemleri ve yazılım ekosistemleri olarak kabul eden, bellek sistemleri ve yazılım ekosistemleri.Mevcut nöromorphic cipsler genellikle iki moddan birinde çalışır: ya da standart olmayan iletişim protokolleri, derleyici bir programlama çerçeveleri ve yüksek programlama alanları gibi temel bilgileri işleyenler ve yüksek programlama alanları gibi yüksek bir programlama alanlarının ötesine geçerler.

Horizon uygulamaları

Nöromorfik sistemlerin eşsiz yetenekleri onları geniş bir endüstri ve uygulama alanı dönüştürmek için konumlandırıyor. Bazı uygulamalar hala araştırma aşamasında olsa da, diğerleri zaten ticari dağıtıma doğru ilerliyor, kenardaki büyüme talebi tarafından yönlendiriliyor.

Gelişmiş Robotik ve Özerk Sistemler

Robotik, sinirsel olmayan sistemlerden muazzam ölçüde faydalanıyor çünkü robotlar sadece parlak olmayan ortamlarda çalışmalı, doğrulayıcı ve uyarlayıcı bir kontrole ihtiyaç duyan tüm robotları, sinirsel ağları kullanarak, sinyalleri zamanla entegre eden sinir ağları, bu sistemler aynı anda mikrosaniyeler için - her zaman - en az güç kullanarak, sinir bozucu robotları kullanarak, sinir bozucu robotları ve dinamik robotları kullanarak, dinamik robotları kullanarak, dinamikleri kontrol eden dinamik devreleri azaltacaktır.

Edge Computing ve Nesnelerin İnterneti

Nesnelerin İnterneti (IoT) temel olarak güç ve bant genişliği ile kısıtlanır: Sensörler sadece ilgili olaylar veya su bazlı sistemlere güvenmeyen bir şekilde, giyilebilir bir sağlık monitöründe sürekli olarak ECG veya EEG sinyalleri kullanarak, arrhythmias veya epileptik olmayan bir sistemdeki küçük bir sinirsel değişikliklerle ilgili olarak algılanabilir.

Sağlık ve Nörobilim

Nöromorfik teknoloji aynı zamanda sağlık ve temel nörobilim araştırmaları için güçlü yeni araçlar yaratıyor. Gerçek zamanlı, düşük güç sinir simülasyonu, bir nöromorfik sistemin yaşamsal doku ile etkileşime girdiği, potansiyel olarak ileri beyin-makine arayüzleri için, yüksek sadakatle kodlayan veya tedavi edici bozukluklarına sahip olan, bu tür beyinli sistemlerin öğrenme yollarını ortaya çıkarması için, bu tür beyinli öğrenme sistemleriyle ilgili olası hataların ve hataların ortaya çıkmasını sağlayan yeni beyin-mak için potansiyel olarak yönlendirdiği konusunda son derece hassas bir sistemdir.

Future Outlook: Biyolojik ve Yapay Zeka

İleriye bakıldığında, sinirsel sistemlerin biyolojik meslektaşları ile ilgili ilkeleri giderek daha hızlı bir şekilde paylaşabileceği bir geleceğe doğru nöromorfik hesaplamanın yörüngesine bakmaktadır.Inverterative systems, devices, mimarlıklar ve algoritmaları olgun, nöromorphic algılama sistemleri, daha verimli, daha yetenekli çipler ve şu anda ulaşılabilecek daha kolay hale gelecektir.Enjektif sensörlerdeki her şeye otomatik olarak uygulanabilir.

Ancak, nöromorphic hesaplamalarının geleneksel bilgisayar için evrensel bir yedek olmadığını bilmek önemlidir. Birçok görev - bilgisayar destekli, gerçek zamanlı, geleneksel makinelere sahip olmak için uygun olmayan bir iş yüküdür, tüm hesaplama yeteneği ve büyük hafıza kapasitesi ile birlikte.Bu simbiyotikliksel ve bilgisayar destekli sistemlerin tasarımı ile ilgili gerçek potansiyelleri, gelecekteki en iyi heteromorfik sistemlerin tasarımını kullanarak, doğrulayıcı iş yükleri işleyen, doğrulayıcı ve doğrulayıcı bir teknoloji olarak hizmet eder.

Sinirli hesaplamanın elektronik temelleri - memristors, gelişmiş transistörler, dirençli anahtarlama cihazları ve bunların entegrasyonları, bugün dünyadaki laboratuvarlarda ortaya konulmuş durumdalar ve mühendisliksel olarak her bir yeni cihaz konsepti, ve her gelişmiş mimari, sinirsel iletişimin pratik, ölçeklenebilir dağıtıma daha yakın olması bekleniyor.

Sonuçta, nöromorphic hesaplamanın geleceği, elektroniklerin geleceğinden anlaşılabilirdir. Aynı güçler - miniaturizasyon, materyal inovasyon ve mimari yaratıcılık - on yıllardır yarı iletken endüstriyi tahrik eden ve adapte edilmiş; bu güçler ortaya çıkmaya devam ediyor, çünkü makineler her türlü duygusal ve yapay zekayın kilidini açmaz, ancak aynı zamanda zihinsel teknolojilerimizi derinleştirirler için, beyinleri ve beyinleri paylaşan nörolojik sistemlerle zenginleştirirler.

[FONT=0)Dönetici:[Dönemli)

  • [FONT:0]Intel Neuromorphic Computing Research) - Intel'in Loihi ailesi nöromorphic işlemciler ve yazılım araçları.
  • [FONT:0)IBM Beyin-Inspired Computing) – IBM'in Kuzey Gerçek çipi ve ilgili araştırmaların enerji verimli sinir mimarisine ilişkin ayrıntıları.
  • [FONT:0]Stanford Brains in Silikon Lab) – Nörogrid, analog nöromorfik tasarım ve Stanford'daki bilgisayarbilim.
  • [FONT:0) Doğa: Nöromorfik Mühendislik Genel Bakış[Dönetici: 1) - Mikromorföral hesaplamanın altındaki malzemeler ve cihazlar üzerinde kapsamlı bir inceleme makalesi.