神经形态模拟可以产生与许多应用相关的计算优势

通过插入一点数学，桑迪亚国家实验室的研究人员表明，综合复制大脑逻辑的神经形态计算机可以解决比人工智能提出的更复杂的问题，甚至可能在高性能计算中占有一席之地。

最近发表在《自然电子学》杂志上的一篇文章详细介绍了这些发现，表明使用称为随机游走的统计方法的神经形态模拟可以跟踪穿过骨骼和软组织的 X 射线、穿过人群的疾病、穿过社交网络的信息以及桑迪亚理论神经科学家和首席研究员詹姆斯布拉德利艾蒙说，金融市场的运动以及其他用途。

“基本上，我们已经证明，神经形态硬件可以产生与许多应用相关的计算优势，而不仅仅是与它明显相关的人工智能，”Aimone 说。“新发现的应用范围从辐射传输和分子模拟到计算金融、生物学建模和粒子物理学。”

他说，在最佳情况下，神经形态计算机将比传统计算更快地解决问题并且使用更少的能量。

Aimone 说，这些大胆的断言应该引起高性能计算社区的兴趣，因为寻找解决统计问题的能力越来越受到关注。

“这些问题并不适合 GPU [图形处理单元]，而这正是未来百亿亿级系统可能要依赖的，”Aimone 说。“令人兴奋的是，以前没有人真正研究过用于此类应用的神经形态计算。”

桑迪亚工程师和论文作者布赖恩弗兰克说：“当直接映射到下一代计算工作中的 GPU 等矢量处理器时，您列出的过程的自然随机性将使它们效率低下。同时，神经形态架构是一种有趣且完全不同的粒子替代方案模拟可能会导致一种可扩展且节能的方法来解决我们感兴趣的问题。”

Franke 对光子和电子辐射进行建模，以了解它们对组件的影响。

Aimone 说，该团队使用大约一年半前从英特尔公司收到的 5000 万芯片 Loihi 平台，成功地应用神经形态计算算法来模拟气体分子通过屏障扩散的随机游走，这是一个基本的化学问题。 . “然后我们证明我们的算法可以扩展到更复杂的扩散过程，在一系列应用中有用。”

这些声明并不是要挑战用于运行实用程序、台式机和电话的标准计算方法的首要地位。“然而，在某些领域，计算速度和较低能源成本的结合可能使神经形态计算成为最终理想的选择，”他说。

Aimone 说，与将量子比特添加到量子计算机(另一种超越传统计算限制的有趣方法)所带来的困难不同，包含人工神经元的芯片便宜且易于安装。

将数据移入或移出神经芯片处理器的成本仍然很高。“当你收集更多时，它会减慢系统速度，最终它根本不会运行，”桑迪亚数学家和论文作者威廉塞维拉说。“但我们通过配置一小组有效计算汇计数据的神经元来克服这个问题，我们输出这些汇总而不是原始数据。”

Severa 编写了几个实验的算法。

与大脑一样，神经形态计算的工作原理是给小的针状结构通电，添加从周围传感器发出的微小电荷，直到达到一定的电平。然后针脚，就像一个生物神经元，闪烁一个微小的电脉冲，这种动作被称为尖峰。Aimone 说，与传统计算机中信息传递的节拍规律不同，神经形态计算的人工神经元不规则地闪烁，就像大脑中的生物神经元一样，因此可能需要更长的时间来传输信息。但是因为这个过程只有在传感器和神经元提供数据时才会消耗它们的能量，所以它比正式计算需要更少的能量，正式计算必须轮询每个处理器是否有贡献。概念上基于生物的过程还有另一个优点：它的计算和存储组件存在于相同的结构中，而传统计算通过这两个功能之间的远距离传输来消耗能量。反应速度慢人工神经元最初可能会减慢其解决方案的速度，但随着神经元数量的增加，这一因素会消失，因此在同一时间段内可以获得更多信息以进行汇总，Aimone 说。

这个过程从使用马尔可夫链开始——一种数学结构，就像大富翁游戏板一样，下一个结果仅取决于当前状态，而不是所有先前状态的历史。桑迪亚数学家和论文作者达比史密斯说，这种随机性与大多数相关事件形成对比。例如，他说，患者必须留在医院的天数至少部分取决于之前的住院时间。

从马尔可夫随机基础开始，研究人员使用基本计算工具蒙特卡洛模拟来运行一系列随机游走，试图覆盖尽可能多的路线。

“蒙特卡洛算法是辐射传输问题的自然解决方法，”弗兰克说。“粒子是在反映物理过程的过程中模拟的。”

人工神经元依次读取每次行走的结果，将每次行走的能量记录为单个能量峰值。“这个神经网络总而言之比记录每次行走的每一刻更节能，就像普通计算必须做的那样。这部分解释了神经形态过程的速度和效率，”艾蒙说。他说，使用相同数量的能量，更多的芯片将有助于该过程更快地进行。

Sandia 研究员 Craig Vineyard 表示，Loihi 的下一个版本将把其当前的芯片规模从每个芯片 128,000 个神经元增加到多达 100 万个。更大规模的系统然后将多个芯片组合到一个板上。

“也许像 Loihi 这样的技术可能会进入未来的高性能计算平台是有道理的，”Aimone 说。“这可以帮助提高 HPC 的能源效率、气候友好性和更实惠的价格。”