量子计算2 years ago
弥合人工智能与神经形态计算之间的鸿沟
在人工智能飞速发展的背景下，对能够跟上日益增长的计算需求的硬件的追求从未停歇。普渡大学与加州大学圣地亚哥分校（UCSD）以及巴黎高等工业物理化学学院（ESPCI）共同引领的一项合作努力，在这一追求中取得了重大突破。这项合作标志着神经形态计算领域的一个关键性进展，这是一种旨在计算架构中模拟人脑机制的革命性方法。 当前人工智能硬件面临的挑战 人工智能的快速发展催生了复杂的算法和模型，对计算能力提出了前所未有的要求。然而，随着我们更深入地探索人工智能领域，一个严峻的挑战浮现出来：当前基于硅的计算机架构难以跟上人工智能技术不断演进的需求。 普渡大学150周年纪念物理学和天文学教授埃里卡·卡尔森精辟地阐述了这一挑战。她解释道：“人工智能革命中受大脑启发的代码，大部分是在并非为其设计的传统硅计算机架构上运行的。”这一观察突显了现有硬件（主要针对通用计算而设计）与人工智能先进算法的专门需求之间的根本性脱节。 正如卡尔森所指出的，这种不匹配不仅限制了人工智能的潜在应用，还导致了巨大的能源效率低下。作为数字时代支柱的硅芯片，其本质并不适合神经网络和深度学习模型所需的并行和互联处理。传统中央处理器（CPU）和图形处理器（GPU）的线性和顺序处理能力，与先进人工智能计算的需求形成了鲜明对比。 神经形态计算揭秘 这项合作研究取得了重大突破，其成果详述于研究报告“Spatially Distributed Ramp Reversal Memory in VO2”中。该研究开创了一种受人类大脑突触操作启发的新型计算硬件方法。 这一突破的核心是神经形态计算的概念。与传统的计算架构不同，神经形态计算致力于模仿人脑的结构和功能，尤其侧重于神经元和突触。神经元是大脑中传递信息的细胞，而突触是允许信号从一个神经元传递到下一个神经元的间隙。在生物大脑中，这些突触对于编码记忆至关重要。 该团队的创新之处在于他们使用了氧化钒这种材料，它特别适合用于创建人工神经元和突触。这种材料的选择标志着对传统硅基方法的重大背离，体现了神经形态架构的本质——在计算芯片内复制类脑行为。 能源效率与增强的计算能力 这一突破的影响深远，特别是在能源效率和计算能力方面。卡尔森详细阐述了其潜在益处：“神经形态架构有望实现更低能耗的处理器、增强的计算能力、根本不同的计算模式、原生学习以及增强的模式识别。”这种向神经形态计算的转变可能重新定义人工智能硬件的格局，使其更具可持续性和效率。 神经形态计算最引人注目的优势之一，是它有望显著降低训练像ChatGPT这样的大型语言模型所需的能源成本。此类模型目前的高能耗很大程度上归因于硬件和软件之间的不匹配——这正是神经形态计算旨在弥合的鸿沟。通过模拟大脑的基本组成部分，这些架构为人工智能系统处理和从数据中学习提供了一种更自然、更高效的方式。 此外，卡尔森指出了硅在复制类神经元行为方面的局限性，这对于推进人工智能硬件至关重要。神经形态架构能够同时模拟突触和神经元，有望彻底改变人工智能系统的运作方式，使其更接近人类认知过程的模型。 这项研究的一个关键要素是创新性地使用了氧化钒。这种材料在模拟人脑神经元和突触功能方面显示出巨大潜力。索邦大学和ESPCI的杰出实验科学家亚历山大·齐默斯强调了这一突破，他说：“在二氧化钒中，我们观察到它如何表现得像一个人工突触，这是我们理解上的重大飞跃。” 该团队的研究发现了一种更简单、更高效的存储记忆方式，类似于人脑的工作机制。通过观察氧化钒在不同条件下的行为，他们发现记忆并非仅存储在材料的孤立部分，而是遍布整个材料。这一见解至关重要，因为它为设计和构建神经形态设备提出了新的思路，这些设备可以像人脑一样更有效、更高效地处理信息。 推进神经形态计算 基于这些开创性的发现，研究团队已经在规划他们下一阶段的工作方向。在已确立的能够观察神经形态材料内部变化的能力基础上，他们计划通过局部调整材料特性进行进一步实验。齐默斯解释了这种方法的潜力：“这可能使我们能够引导电流通过样品中记忆效应最强的特定区域，从而显著增强这种神经形态材料的突触行为。” 这一方向为神经形态计算的未来开辟了令人兴奋的可能性。通过完善对这些材料的控制和操纵，研究人员旨在创造出更高效、更有效的神经形态设备。这些进步可能催生出能够更紧密地模拟人脑复杂性的硬件，为更复杂、更节能的人工智能系统铺平道路。
