AI硬件技术模仿神经网络拓扑的变化

韩国科学技术院 (KAIST) 的一组研究人员提出了一种受大脑神经调节启发的新系统，称为“隐藏系统”。 这个新提出的系统需要更少的能源消耗。 

该团队由材料科学与工程系的 Kyung Min Kim 教授领导。 该研究发表于 高级功能材料 并得到了 KAIST、韩国国家研究基金会、国家 NanoFab 中心和 SK 海力士的支持。 

模仿神经网络拓扑

研究人员开发了一种技术，可以根据情况模仿神经网络拓扑的变化，从而有效地处理人工智能的数学运算。 这是受到人类大脑的启发，人类大脑可以实时改变其神经拓扑，使其能够在需要时学习存储或调用记忆。 

这种新型的人工智能学习方法直接实现神经协调电路配置。 

为了在电子设备中有效实施人工智能，支持定制硬件开发非常重要。 话虽如此，大多数为人工智能创建的电子设备都需要高功耗。 如果要执行大规模任务，还需要高度集成的存储器阵列。 事实证明，这些消耗和整合方面的限制很难克服，因此研究人员开始更深入地研究人脑内部，以了解它如何解决问题。 

高效技术

该团队通过创建具有自校正突触阵列和称为“隐藏系统”的算法的人工神经网络硬件，展示了新技术的效率。 该硬件是为进行人工智能学习而开发的，它能够在存储系统内减少 37% 的能源，而不会降低准确性。 

Kim 教授表示：“在这项研究中，我们仅用简单的电路构成实现了人脑的学习方法，通过这种方式，我们能够减少近 40% 的能量需求。” 

这种模仿大脑活动的新型存储系统的重要方面之一是它与现有电子设备和商业化半导体硬件兼容。 该系统可以在下一代人工智能半导体芯片的设计中发挥重要作用。