用于脉冲卷积神经网络的神经形态处理VLSI架构设计

传统的卷积神经网络在训练和识别阶段通常都需要用高能耗的GPU,无法应用到需要小型低功耗设备的移动应用场景中.本文设计了一种用于识别手写体的数字脉冲卷积神经网络神经形态硬件VLSI架构,根据脉冲神经网络设计的神经形态硬件系统只有在有输入脉冲到来时硬件才会进行相应处理,从而能达到很低的能耗.在识别MNIST数据集时,卷积神经网络识别精度为99.0%,使用该神经形态硬件的识别精度能达到98.46%.相比于相同硬件结构的传统卷积神经网络,平均能耗大大降低.

神经元计算机操作系统的资源分配方法

神经形态计算硬件是专为运行脉冲神经网络(spiking neural network,SNN)应用而设计的专用计算机系统.随着硬件资源规模的增大,神经元计算机能够支持更多数量的SNN应用并发运行,如何有效地为SNN应用分配神经形态计算硬件资源变得极具挑战性.首先提出一种神经元计算机操作系统的资源分配框架,在加载SNN应用到神经形态计算硬件时分配硬件资源以及建立对应的输入输出路由,实现了资源分配过程与编译器间的解耦.其次,创新性地引入了最大空矩形(maximum empty rectangle,MER)算法来处理神经形态计算硬件资源的动态分配问题;针对SNN应用的脉冲输入输出特性,提出了一种最小化脉冲输入输出通信代价的资源分配算法,旨在降低脉冲输入输出能耗、延迟和资源碎片.实验结果显示,所提算法比现有算法表现出较好的性能,其中脉冲输入输出平均延迟最高降低了81%,碎片率降低了92%.

大规模类脑计算系统BiCoSS:架构、实现及应用

人脑具有协同多种认知功能的能力与极强的自主学习能力,随着脑与神经科学的快速发展,亟需计算结构模拟人脑的、性能更强大的计算平台进行人脑智能与认知行为机制的进一步探索.受人脑神经机制的启发,本文提出了基于神经认知计算架构的众核类脑计算系统BiCoSS,该系统以并行计算的现场可编程门阵列(Field-programmable gate array,FPGA)为核心处理器,以地址事件表达的神经放电作为信息传递载体,以具有认知计算功能的神经元作为信息处理单元,实现了四百万神经元数量级大规模神经元网络认知行为的实时计算,填补了从细胞动力学层面理解人脑认知功能的鸿沟.实验结果从计算能力、计算效率、功耗、通信效率、可扩展性等方面显示了BiCoSS系统的优越性能.BiCoSS通过人脑信息处理的计算架构以更贴近神经科学本质的模式实现了类脑智能;同时,BiCoSS为神经认知和类脑计算的研究和应用提供了新的有效手段.

AI技术与人类主体想象——基于人工直觉在线讨论的研究

人工直觉和神经形态硬件是人工智能发展的两大趋势,这种现象在热门网站上被广泛讨论。人工直觉是指能够凭直觉行动的人工智能(AI),而神经形态硬件的灵感则来自人脑的神经元功能。通过对两者的阐释,意图揭示两种技术叙事中所揭示的人类主体观念。人类被视为AI的发展蓝图,使技术向更加灵活、自主和高效的方向发展。然而,AI和人类之间的关系是矛盾的。关于神经形态硬件研究的一些数据表明,AI可以从人类大脑中学习;而另一些数据则表明,AI在未来将会超越人类。直觉被认为是使AI更像人类的必要步骤,虽然由神经形态硬件支撑的人工直觉可以使技术进步,但也存在一种危险,即直觉被误解和误用,从而遮蔽了AI的透明性、可靠性和可解释性。