باربارا دالووو، دانشمند ارشد در CEA-Leti، یادآور می شود که از اوایل دهه 1940 هوش مصنوعی (AI) در طول دهه 1950 موجی از تحقیق در مورد AI وجود داشته است، علیرغم این که بسیاری از دانشمندان و مهندسان همیشه به این مفهوم علاقه مند هستند.
با این حال، در حال حاضر هم به طور جدی در این تکنولوژی مغز انسان الهام گرفته از حداقل نگاه است، در بین المللی در سال جاری جامد مدارهای دولت کنفرانس "ما باید بدانند که از روشهای دیگر به مدل فعلی وجود دارد، ما به سوالات خوب بپرسید کمک خواهد کرد. 'د درمان عذر پس (ISSCC) ارائه یک سخنرانی به قبول "EE تایمز" در مصاحبه ای که اگر هیچ مدل عملیات جدید و الگوریتم وجود دارد، صنعت خواهد شد در نهایت دشوار است برای رسیدن به قدرت مورد نیاز دقیق تر.
در حالی که این صنعت هل دادن AI سیستم عامل های جاسازی شده، مانند 2، EyeQ5 Mobileye، و Movidius خاویر کارت گرافیک Nvidia از بی شمار بوده است، اما به منظور پاسخگویی به نیازهای دستگاه ترمینال با مصرف برق کمتر در لبه (لبه) مسئولیت رسیدگی به تعداد زیادی از تجزیه و تحلیل، او گفت: " ما از آنچه ما برای رسیدن به آن نیاز داریم، راه طولانی است. "
De Salvo کارایی محاسباتی (GOPS / W) فاز نتیجه گیری و GOPS چند تراشه AI را در یک سخنرانی کلیدی مقایسه می کند.
او اشاره کرد که هنوز شکاف بزرگ بین نیازهای صنعت و راه حل های موجود وجود دارد. تراشه های بدون آن - برای انتشار تجاری، نمونه های اولیه، تراشه ها برای طراحی یا توسعه در دانشگاه ها - قادر به ارائه کمتر از 100μW با این حال، این دقیقا همان چیزی است که دستگاههای لبه به آن نیاز دارند، زیرا آنها باید سالها بر روی مصرف انرژی یا باتری های مینیاتوری تکیه کنند.
چرا بازگشت به تحقیقات مغز انسان؟
دالوو گفت که ما می دانیم که مغز انسان حدود 2٪ از بدن را وزن می کند، با این وجود 20٪ از سوخت و ساز بدن را استفاده می کند.
هنگامی که 20W، مغز انسان می تواند 1011 مسئولیت رسیدگی به یک GOPS. د درمان عذر تاکید کرد که تا کنون، هیچ در هر پردازنده در جهان عملکرد و قدرت می توانید مغز انسان مطابقت.
De Salvo توضیح داد که این کلاس بهره وری انرژی در طول تکامل انسان به مدت طولانی تکامل یافته است، به حداکثر رساندن عملکرد مغز با حداقل استفاده از انرژی.
او گفت که صنعت نیمه هادی که از زیست شناسی برده می شود، معماری های محاسباتی سنتی به طور عمده به دلیل نیازهای برق مورد نیاز است، زیرا "انرژی هر زمانی که پردازنده و حافظه ارتباط برقرار می کنند، مصرف می شوند." در مقابل، سیناپس مغز شامل حافظه و محاسبات در یک معماری واحد است و او توضیح می دهد که این تکنیک هوشمند پایه و اساس یک معماری کامپیوتری غیر فون نویمن را به مغز متصل می کند.
برای اصول عملکرد مغز الهام گرفته، ماهیت آن که خوشه را پشتیبانی می کند (سنبله برنامه نویسی) و زمان مربوط خوشه پذیری (سنبله-وابسته به زمان بندی پذیری؛ STDP) وی اشاره کرد که مانند عناصر به کشورهای نورونها در سیستم را مشاهده کنید برنامه نویسی. : در گذشته، سلول های عصبی با استفاده از آنالوگ یا رمزگذاری عددی؛ امروز، neuromorphic محاسبه شدن روند به رمز ارزش پالس نورون یا خوشه او توضیح داد: "نورون هیچ ساعت، که صرفا رویداد محور. از.
نظر علمی پاشنه STDP برنامه نویسی و چشم انداز توسعه و اگر پالس (سنبله) به نمایندگی از سیگنال ورودی / خروجی، سیگنال های ورودی و وزن سیناپسی بین جمع و ضرب وزن عملیات راهگاهی در سطح سیناپسی قرار می گیرند. در این هدف از طریق برنامه های ساخت ناهمگن با استفاده از خوشه و یا بر اساس یک سیگنال نشان یک رویداد، در نتیجه مصرف برق کاهش.
این که آیا این مثل این است که توسعه Chronocam از تکنیک های پردازش تصویر رویداد محور او پاسخ داد:؟. بله، اما، راه حل های Chronocam به به شبکیه چشم مصنوعی استفاده شود "بصری" ماموریت ما این است که به اصول neuromorphic صنعت. فراتر از کلیه محاسبات را فراتر از چشم انداز گسترش دهید.
د درمان عذر گفت: TrueNorth آی بی ام به عنوان مثال ایده آل از تراشه CMOS neuromorphic پویا neuromorphic در حال حاضر های 28nm FD-SOI ساخت مقیاس پذیر ناهمگن یادگیری (DynapSEL)، در مقیاس بزرگ پردازنده های چند هسته neuromorphic است یکی دیگر از نمونه. DynapSEL NeuRAM حال حاضر یکی از همکاری طرح توسعه 3 پروژه تحقیقاتی اروپایی می باشد.
نورون TrueNorth در دیجیتال پردازش و DynapSEL یک تمثیل است. با این حال این دو تراشه سیستم های neuromorphic به طور موثر کاملا کاربردی نیست، چرا که حافظه است که در اصل از عملکرد از فرم عصبی بر اساس نیست.
جامعه علمی است تلاش برای بستن یک حافظه واحد پردازش، به طور کامل تغییر معماری حافظه سلسله مراتبی سنتی، و برای رسیدن به 'عملیات حافظه (در حافظه رایانه) تا به امروز، سخت افزار neuromorphic هنوز به پتانسیل کامل خود، د درمان عذر گفت: ما نیاز به استفاده از معماری 3D با تراکم بالا در محاسبات neuromorphic "برای دستیابی به حداکثر اتصال و reconfigurability بین نورون و سیناپس.
مغز حشرات
ما در حال حاضر به مغز انسان شناخته شده است 100 میلیارد نورون، و دیگر حشرات هوشمند مانند زنبور عسل در یک مکعب است 1mm در مورد اندازه مغز خود را، می 950000 نورون وجود دارد. د درمان عذر در انواع حشرات اشاره کرد، مغز زنبور عسل بزرگترین است او گفت: "ما قادر به درک نورون ها در نقشه برداری مغز زنبور عسل، با این حال، برای یوان عصبی مغز انسان درک ضعیف شده.
دانشمندان مشتاق به تشریح مغز زنبور عسل هستند، به دلیل 'زنبور عسل بسیار هوشمند است. زنبور عسل، بسیاری از سنسور قادر به جستجوی غذا از طریق ناوبری آن وجود دارد، و می دانند که چگونه برای برقراری ارتباط در یک گروه. به زندگی با هم در یک گروه، زنبورها باید ویژگی های دیگر از زنبورها می دانم.
دالوو گفت: "البته مغز زنبور کوچک است، اما شکل ساده آن یک مدل خوب برای سیستم AI را فراهم می کند،" داللو معتقد است: "این نیاز به فکر کردن به طور سیستماتیک است، زیرا ارگانیسم حسگر را از سیگنال جدا نمی کند پردازش
آخرین پیشرفت AI؟
ده سال پیش، هیچکس نمیتواند پیشرفتی را که اکنون در AI دیده می شود را تصور کند.
با این حال، طبق گفته De Salvo، صنعت ممکن است با توجه به چشم انداز AI، تمرکز خود را بر روی برنامه های کاربردی AI تغییر دهد، در واقع او گفت: "ما هنوز درک کامل از سیستم AI ... درست مثل یادگیری عمیق".
او توضیح داد که یک لایه پنهان در یادگیری عمیق و پیچیدگی سیستم ناشی از آن وجود دارد که به سختی می توان گفت که ویژگی ها بیشترین مسئولیت را برای بهبود عملکرد دارند. "در مقایسه با هوش کلی، یادگیری، انتزاع و استدلال شيوع به دست آمده هنوز بسيار محدود است.
یادگیری عمیق از لحاظ طبقه بندی بسیار عالی است، اما "پیش بینی یک مسئله اساسی در محاسبات عصبی محسوب می شود،" داللو گفت: "اخیرا شبکه عصبی قادر به انجام کارهای ساده ای نیست که انسان ها هرگز از دست رفته اند." Salvo و نقل قول از A. Nguyen و دیگران، "شبکه های عصبی عمیق به راحتی فریب خورده: پیش بینی اعتماد بالا برای تصاویر ناشناخته،" او نگران است که سرانجام مانع از توسعه بازار شد و حتی "اعتماد کاربران را خدشه دار کرد، که منجر به سوالات جدی اخلاقی شد."
کامپایل: سوزان هنگ