人脑项目与英特尔合作推进神经形态技术

人脑项目（HBP）的一组研究人员正在与英特尔合作，推进神经形态技术的发展，并使人工智能更加接近人类大脑的能效。神经形态技术对于大型深度学习网络来说，比其他人工智能系统更节能。

HBP和英特尔的研究人员进行了一系列实验，证明了这种效率。这些实验涉及一款新的英特尔芯片，该芯片依赖于类似于人类大脑中的神经元。这是第一次展示这样的结果。

该研究发表在Nature Machine Intelligence。

英特尔的Loihi芯片

该小组专注于与时间过程相关的算法，该系统必须回答有关以前讲述的故事的问题，同时理解背景中对象或人员之间的关系。硬件由32个Loihi芯片组成，这些是英特尔的神经研究芯片。

菲利普·普兰克是格拉茨理工大学理论计算机科学研究所的博士生，也是英特尔的员工。

“我们的系统在这里比其他人工智能模型节能两到三倍，”普兰克说。

普兰克认为，随着新一代Loihi的推出，它将具有更高的效率并改善能耗密集的芯片间通信。测量结果显示，由于不需要在芯片之间发送动作电位，因此消耗量提高了1000倍。

该小组复制了人类大脑的一种假设方法。

沃尔夫冈·马斯是菲利普·普兰克的博士生导师，也是格拉茨理工大学理论计算机科学研究所的教授。

“实验研究表明，人类大脑即使在没有神经活动的情况下也可以在短时间内存储信息，即在所谓的‘内部变量’中，”马斯说。“模拟表明，神经元的一个子集的疲劳机制对于这种短期记忆至关重要。”

连接深度学习网络

为了实现这一点，研究人员连接了两种类型的深度学习网络。反馈神经网络负责“短期记忆”，而递归模块从输入信号中过滤出可能相关的信息并存储它。一个前馈网络确定哪些关系对于解决当前任务是重要的。无关的关系被过滤掉，神经元只在相关信息被发现的模块中激发。这整个过程导致了戏剧性的能量节省。

史蒂夫·弗伯是HBP神经形态计算部门的负责人，也是曼彻斯特大学的计算机工程教授。

“这一进展使基于神经形态平台的能量高效事件驱动人工智能更接近实现。新的机制非常适合支持多隔室神经元模型的神经形态计算系统，例如英特尔的Loihi和SpiNNaker，”弗伯说。