超级计算机中国光学期刊网——光电领域首选网络服务平台(2)

他们还多次重复测试了一个突触。在循环施加相同的 700V 电压后发现，每次突触都表现出相同的电流，循环之间的差异只有 1%。超级计算机

Kim 说：“这是我们目前能达到重复性最高的装置，这个装置也是展示人工神经网络的关键。”

团队最后的测试是探索如何执行实际的学习任务，比如如何识别手写样本。研究人员认为，这是神经形态芯片的首次实际测试。该芯片由输入／隐藏／输出神经元组成，每个神经元经由基于细丝的人造突触连接到其他神经元。

科学家认为，这样的神经元网络堆栈可以用来学习。例如，当输入为一个手写的 1，输出则标记为 1，某些输出神经元将被输入神经元和人造突触的权重所激活。当更多手写的 1 被输入到同一个芯片时，当它们感觉到不同样本的同一个字母的相似特征后，相同的输出神经可能会被激活，从而类似大脑的学习方式。

研究团队还运行了基于此芯片的人工神经网络计算机仿真模拟。他们以常用的手写识别中的样本作为仿真模拟测试的输入样品，在测试了成千上万个样本之后，他们发现，这一神经网络硬件系统的识别精度为 95%，而现有的软件算法精度为 97%。

值得注意的是，这次的成果有望为近年涌现的一个新趋势再添一把火，那就是计算能力从云端向终端迁移。目前我们看到的大多数 AI 计算，基本是在云端实现的，但是，这个方式正在日显疲软。拿自动驾驶为例，如果避险时 AI 必须将信息上传至云端，由云端完成计算才能获得处理结果，现实风险是很大的。

因此，终端的计算能力对 AI 的重要性已经得到了学界和业界的共同认可，终端计算性能的提升也成为了万众追逐的目标。一个更明显的例子是 AI 手机。作为与个人生活场景的全天候连接的智能设备，AI 手机对于在终端运行 AI 计算的需求正在变得更加多元化，例如语音、图像、处理等等。但是，作为移动设备，AI 手机所能携带的计算资源有限。

Kim 团队成果的重要价值正体现在这里。他们的人造突触设计能实现更小体积的神经网络设备，这些神经网络设备未来将可以完成目前只有大型超级计算机能完成的复杂计算。

现在，该团队正在制造一个能真正执行手写识别任务的神经形态芯片。Kim 表示，我们最终需要的是一个如同指甲般大小的芯片来代替一个大型超级计算机。而他们的人造突触这一发现为实现神经网络硬件化打下了坚实的基础。

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-69716-2.html