|
藉由以特殊用途硅電路復制人腦神經元(neuron)、突觸(synapse)、樹突(dendrite)與軸突(axon)功能，IBM宣稱已經開發出首款客制化感知運算內核(custom cognitive computing cores)，將數字棘波神經元與超高密度芯片上交叉開關(crossbar)突觸、事件導向通訊(event-driven communication)等功能結合在一起。 上述的IBM研究成果是與美國國防部高等研究計劃署(DARPA)合作的“SyNAPSE (Systems of Neuromorphic Adaptive Plastic Scalable Electronics，神經性自適應塑料可微縮電子系統)”計劃的“零階段(phase zero)”與“第一階段(phase one)”最大進展。 IBM現在將與合作伙伴美國哥倫比亞大學、康奈爾大學、加州大學梅西分校(University of California-Merced)與威斯康辛大學麥迪遜分校進入該研究計劃的第二階段，在未來的18個月并將有一筆2,100萬美元的資金注入。加計這筆新資金，DARPA截至目前為止已經在該計劃投入4,100萬美元 SyNAPSE計劃的最終目標，是建立一套內含10億神經元、100兆突觸的“類人腦”電腦，而且其尺寸與功耗也要與人腦相當。 “我們希望能擴展并補充進行實時不確定環境(realtime uncertain environments)信息處理的傳統馮諾依曼電腦架構功能；”IBM研究中心(IBM Research)計劃領導人Dharmendra Modha表示：“感知電腦必須能整合來自情境依賴形式(context dependent fashion)下不同傳感器的輸入信息，才能接近人腦的實時感覺運動反饋回路(sensory-motor feedback loop)。” 而雖然IBM聲稱其客制化感知運算內核是業界首創，但歐洲上個月也發表了一項打算利用ARM內核處理器模擬人腦的研究計劃SpiNNaker(參閱電子工程專輯報道：英科學家將利用百萬ARM核實現人腦模擬)。 傳統馮諾依曼電腦架構無法處理來自今日傳感器元件的多重同步數據流，但人腦能藉由分散式處理以及分布在神經網絡的存儲器，輕松處理這類任務。值得一提的是，傳感器數據是透過叫做樹突的輸入線，將信息輸入神經元。 神經元會將輸入的數據整合，直到一個極限值，屆時激發一個脈沖至其輸出軸突，該時機是由連接其他神經元的突觸權重(weight)來決定。 
IBM開發的感知運算芯片尺寸約3mm寬，據說已經證實具備與人類對打電子游戲“Pong”(而且會贏)，以及分辨不同形式的手寫數字7的能力 至于人腦的模式識別(pattern recognition)功能，是由突觸去“學習(learning)”哪些連結是最常用的，這使它們變得更強壯，而較少用的連結就會逐漸消失；透過這種模式，神經網絡會閉合感覺運動回饋回路，一旦某個模式藉由傳感器的輸入信息被辨別出來，輸出運動神經元就會產生反應。 IBM利用交叉開關陣列復制人腦架構來掌管突觸，然后這些突觸會去學習哪些感官模式是與所渴望的運動控制輸出相對應。交叉開關陣列會藉由整合大規模的樹狀突扇入(fan-in)，而將神經元與傳感器輸入連結，接著輸出脈沖到軸突，將個別突觸連結饋入網絡中其他神經元。 “突觸是由交叉開關陣列所實現，其中垂直線是輸入樹突，水平線則是輸出軸突；”Modha解釋，“每個神經元會為了與其他神經元通訊而激發，其存儲器與處理器完全整合，不同于馮諾依曼架構的兩者分離。” 感知電腦將具備低功耗、與較慢時脈速度特性 據了解，最終的感知電腦雖然內含數十億神經元，卻只有當神經元激發時才會消耗功率，而且激發時的時脈速度是非常慢的10Hz。因此，整套人腦尺寸的感知電腦，可能只有鞋盒那么大，所消耗電力低于一千瓦。 IBM展示了兩款工作原型芯片，兩者都是完全數字化的，將在未來的感知電腦中以內核形式出現。屆時是在單芯片上整合數千個該種內核。“我們的芯片有個智能方面的關鍵進展，也就是它們都是數字化的，讓我們能先在超級電腦上進行模擬，再將結果移植到硅芯片上，使其具備可預測、決定性(deterministic)特點。”Modha表示。 這兩款原型各采用幾百萬的晶體管，來實現以單核控制256個神經。芯片面積小于4mm2，以IBM的45納米絕緣層上硅(SOI)CMOS工藝生產。兩顆測試用處理器內核唯一的不同處，在于它們所采用的互聯交叉開關陣列，一個是配置256k預編程(pre-programmable)突觸，一個是配置64k學習式(learning)突觸。 以上兩種芯片是在IBM的紐約州Fishkill晶圓廠制造，目前在該公司分別位于紐約州與加州圣荷西的TJ Watson研究中心與IBM研究中心進行測試。 在實際運作時，IBM的芯片會從經驗(有數種預設的學習參數)中學習。舉例來說，其中一種參數是神經元在整合多個輸入信息后激發的閾值水平(threshold level)。設定在低水平時，其速度可以加快但運作效能較粗糙；設定高水準時，速度較慢但運作效能較精細。 接著當神經元激發時，學習突觸會藉由在被使用時改變其權重做適應。IBM在其中實現了Donald Hebb規則，也就是神經元與神經元之間的某個突觸連結越常被使用，其導電性就會因為突觸權重降低而增加。反之，越少被用到的連結就會因為越高的權重，在神經網絡中幾乎消失。 IBM預期該公司所開發的感知電腦可應用在多樣化的領域，包括導航、機器視覺(machine vision)、模式識別、關聯存儲器(associative memory)與分類(classification)等等。到目前為止，它們已經教會了其中一顆芯片認識各種不同筆跡的草寫數字“7”，另一顆芯片則是學會如何與人類對打游戲機“Pong”并取得勝利。 |
