如果芯片也能“闻香识女人”
最后更新：2020-04-15 12:11:43 手机定位技术交流文章
今年3月16日，英特尔研究所和康奈尔大学的研究人员在《自然机器智能》杂志上联合发表了一篇论文，该论文显示，通过采用一套源自大脑嗅觉回路结构和动力学的神经算法，英特尔神经形态芯片Loihi(英特尔神经形态芯片Loihi)接受了培训，在有明显噪音和遮盖的情况下，学习并识别10种有害化学物质的气味，包括丙酮、氨和甲烷。未来，这种神经模拟计算系统将用于环境监测、有害物质检测、工厂质量控制等领域。
英特尔研究所科学家纳比·伊玛目在美国加州圣克拉拉的神经模拟计算实验室里持有一个卢伊希神经模拟测试芯片。他和美国康奈尔大学的一个研究小组正在计算机芯片上构建数学算法，以模拟人们闻到某种气味时大脑神经网络的反应。(照片来源:瓦尔登·基尔希/英特尔)
两天后，也就是3月18日，英特尔继续宣布其最新的神经仿制药研究系统Pohoiki Springs已经准备就绪。Pohoiki Springs是一个数据中心机架系统，将768个Loihi芯片集成到五个标准服务器大小的机箱中，可提供1亿个神经元的计算能力。然而，在2019年7月，一个拥有64个Loihi芯片和代码名为“Pohoiki Beach”的800万神经元神经模拟系统已经被用于专业应用领域，例如稀疏编码、图形搜索和约束满足问题。
数据中心机架系统(来源:蒂姆·赫尔曼/英特尔)
从13万到1亿
作为英特尔中国研究院的院长，神经模拟计算是由宋继强博士领导的英特尔中国研究院重点研究的前沿科学之一。给予高度关注的原因是人脑的能量消耗只有20瓦。人类大脑只消耗一部分能量，就能书写和绘画，并能轻松识别和分析非常抽象的事物和情感，这是目前标准的一般计算所无法做到的。那么，我们如何将几十千瓦的能耗计算降低到人脑的20瓦水平呢？
事实上，Loihi神经模拟芯片从2017年就已经上市了。它有128个核心，130，000个神经元和1.3亿个突触，以及片上存储结构。更容易理解的是，瓢虫的大脑有大约250，000-500，000个神经元，蟑螂的大脑有大约100万个神经元，斑马鱼的大脑有大约1000万个神经元，仓鼠的大脑有大约9000万个神经元。波霍伊斯基泉的1亿个神经元相当于一只小型哺乳动物大脑中的神经元总数。
你为什么要做这么大规模的系统？根据宋继强博士的解释，这是因为研究发现，Loihi系统规模的增加与更好、更快地解决大规模实际问题之间存在直接的线性效益。然而，他认为现在判断大规模应用神经模拟和所谓的杀手级应用的时间还为时过早，一两年后可能会有更清晰的看法。
神经模拟计算是对传统半导体技术和芯片结构的一种尝试和突破。通过模拟人脑神经元的结构和神经元之间的互连机制，它可以以较低的功耗和少量的训练数据不断地学习自己，从而大大提高了能效比。
从时间节点来看，神经模拟计算概念提出的时间比量子计算提出的时间晚，由于对人脑的理解进展非常缓慢，神经模拟计算的研究进展相对缓慢。目前，有一些实验室和初创公司从事神经模拟计算的研究，只有IBM和英特尔是大公司。
研究机构高德纳(Gartner)预测，神经模拟芯片将在2025年取代图形处理器成为高级人工智能部署的主要计算架构，但宋继强不同意这一判断。“神经模拟计算不会取代现有的中央处理器、图形处理器、现场可编程门阵列和其他芯片。神经模拟芯片主要用于解决以较低功耗完成前端检测的应用，并且需要不断学习以提高识别能力。这些应用可以充分发挥神经模拟计算的优势。对于游戏阅读、图像分类和标签等应用，现有芯片可以非常满意。”他说。
三维挑战
在英特尔的官方描述中，神经模拟计算被定义为“下一代人工智能”。例如，在硬件层面，Loihi采用异步脉冲模式设计，由多个独立时钟驱动。根据应用要求，用户只能让需要工作的部分工作，其他部分处于待机状态，功耗可以达到毫瓦级。同时，系统可以根据应用需求进行扩展，具有灵活性和低成本的优点。在软件和应用层面，神经模拟计算芯片可以很容易地构建一个包含时间和处理在空之间的模型，然后将数据与模式匹配。只需要一个训练样本就可以获得90%以上的高准确率。如果使用传统方法，为了达到与Loihi相同的分类精度，需要超过3000次的训练样本来学习一类气味。
“为什么要用异步脉冲设计？因为我们希望实现非常低的功耗。”宋继强解释说，CPU、GPU和FPGA都采用同步电路设计方法，即使用同一个时钟驱动，芯片中的计算单元和存储单元根据公共时钟同时工作和停止工作。这种设计的优点是可以解决易出错的大规模集成电路问题，但工作效率不够高。
作为一个类似大脑的芯片，Loihi采用的异步电路和同步电路的最大区别在于使用离散时钟而不是同步时钟来驱动。换句话说，当处理不同的任务时，只有与任务相关的电路在工作，其余的电路保持待机状态，这也类似于人脑的工作模式。想象一下，我们的大脑一直在工作吗？当处理一项任务时，所有地区都会参与吗？显然不是。
因此，一方面，我们需要能够更好地理解大脑高效的工作机制，在实时处理复杂信息时消耗很少的能量，并将这些机制应用到芯片上。另一方面，为了获得更高的性能，有必要互连神经模拟计算芯片以获得线性性能增长，这给系统设计者带来三维挑战:首先，有必要考虑如何在最低级别互连多个全数字异步设计的芯片，同时确保连接的有效性和及时性；其次，中间软件层应该如何支持互连计算、分布式计算和芯片的灵活划分？最后，为了支持更大规模的动态规划和优化实验支持，上层软件工具链非常重要。
数据很少，我们能做人工智能吗？
迄今为止，人工智能在视觉和听觉方面取得了巨大的突破。宋继强认为，这在很大程度上是因为人类可以很容易地获得视觉和听觉两种类型的数据，容易标注，容易根据不同的上下文/语义进行分类，这完全符合数据深度学习的要求:足够的数据量；有标记的数据；有可以用于训练的数据池和测试集，因此训练的模型可以很好地处理真实场景。事实上，现有的深层神经网络擅长处理视觉数据和语音数据。然而，就气味和味道而言，情况有些特殊。数据量和可标记的数据相对较少，检测方法不够好。因此，整体发展滞后于视觉和听觉的发展。
根据高德纳的人工智能发展路线图，人工智能发展已经开始从2.0走向3.0。统计学习、数据库命令的机器学习和大规模数据的训练以获得模型，然后应用到一些特定的领域，是人工智能2.0时代的典型标志。然而，在随后的人工智能3.0时代，人们希望人工智能能够从更少的数据中学习，适应环境变化，进行推理，被解释，并“工作，学习和进化”，不仅支持前端传感器的低功耗事件，而且支持各种学习模型，包括深层神经网络(DNN)，卷积神经网络，和尖峰神经元网络。当前的传统人工智能硬件在技术支持上可能会遇到困难。
下图很好地解释了如何通过神经模拟芯片辨别“气味”的机理。首先想想我们如何识别气味。例如，如果你拿起一个水果并闻它，水果分子会刺激鼻腔中的嗅觉细胞。鼻腔中的细胞会立即向你大脑的嗅觉系统发送信号，在那里，一组相互连接的神经元发出的电脉冲会产生气味。不管你闻到什么气味，大脑中的神经网络都会产生物体的独特感觉。同样，人类的视觉和听觉、记忆、情感和决策都有自己的神经网络，它们都是以特定的方式计算出来的。
“电子鼻系统”通过构建一个类似于人鼻腔的结构，用化学/有机传感器阵列代替传感细胞，当气味通过时形成一个时间脉冲序列，然后产生一个空的分布，从而产生一个更接近人嗅觉系统的传感机制，然后利用安装的脉冲神经网络模型对采集的数据进行模式匹配，如果匹配成功，系统将产生最高的响应。
换句话说，卢伊希嗅觉系统的网络结构借鉴了人类嗅觉系统的结构设计，但它是一种全新的模型设计，硬件架构变化较大。因为它本身使用人类大脑神经元，基于直接的脉冲序列，强度可以累积，使用模拟而不是纯数字方法像大脑设备一样工作。在此基础上，可以以低功耗移植现有的深度神经网络，并且还可以使用脉冲神经网络(SNN)进行非深度学习来进行神经模拟计算。SNN的优势在于它充分考虑了时间序列的差异，并通过编译多个输入之间的时间差来模仿人类的感知和处理节奏，这与现有的基于大数据的深度学习机制完全不同。
然而，类似大脑的研究非常缓慢，仅仅理解神经元和视觉/听觉/嗅觉感知机制还远远不够。许多深层形成机制仍处于研究阶段。至少在嗅觉领域，相似的气味很可能触发大脑中相似的神经活动模式。有时候，即使是人类自己，也很难区分这是一种气味还是多种气味的混合。
因此，目前对神经模拟芯片的研究仍处于通过算法建立更复杂的脑神经元工作模型、通过忆阻器等底层设备实现信息“激发”和一定规模的“近记忆计算”的连接阶段。接下来，除了继续了解人脑的认知机制，更重要的是找到一个好的应用方向，不断扩大社区范围，让不同社区的不同类型的研究人员更容易使用新的硬件来解决人工智能的规划、优化和计算问题。
那么，“我们需要等到人类对大脑有了足够的了解之后，再进行神经模拟研究吗？”宋继强对这个问题给出了否定的回答。他认为从脑科学的进步中学习是必要的，但没有必要等到大脑的所有秘密都被发现后，我们才能取得重大突破。这一突破一直在发生，神经模拟的计算也是如此。
目前，人类已经知道脑神经元的工作模式、突触之间的联系以及彼此之间的各种学习方法(监督学习、非监督学习、联想学习和对话学习)。事实上，他们可以使用现有的硬件体系结构系统来支持它们，并在上层提供底层软件堆栈后向社区开放它们。这类似于深入学习的开发过程，即通过简单的应用程序实现突破，推动行业向前发展，然后实现软件和硬件系统成本的大幅降低。
本文由 在线网速测试 整理编辑，转载请注明出处。
