自旋类脑神经形态计算

类脑计算旨在模拟和实现大脑的信息处理和学习能力,以解决复杂的计算问题,其关键思想之一是模拟生物神经元和突触行为来实现信息传输、处理和存储.自旋电子学器件的非易失性、高速低功耗、几乎无限的耐用性及固有非线性等特点,使其在类脑计算上已有广泛尝试和出色表现.基于对自旋电子学中的各类磁电阻效应、自旋转移力矩和自旋轨道力矩效应、电压调控磁各向异性效应以及磁化动力学的非线性效应进行介绍和总结,以各类自旋器件在储备池计算、伊辛机、脉冲神经网络以及真随机数生成器上的应用为实例,展望自旋类脑神经形态计算硬件在未来人工智能芯片领域的发展前景与趋势.

未知复杂环境下基于兴趣驱动的类脑自主导航技术

随着无人系统的应用越发广泛,传统导航技术很难满足无人系统在面对复杂任务和未知环境时对自主智能导航性能的要求。哺乳动物能够在兴趣驱动下实现高效智能且自适应环境的导航行为,受此启发的基于兴趣驱动的类脑自主导航技术有潜力克服传统导航实时、准确和低功耗不能同时满足的缺点。本文首先阐述了哺乳动物大脑导航机理;其次,总结概括出基于兴趣驱动的类脑自主导航技术框架;再次,从自身感知、环境认知、记忆推理和兴趣决策4个方面梳理了类脑自主导航的关键技术和实现途径,指出了相关研究的缺陷;最后,分析了现阶段类脑自主导航技术的不足,并对未来一体化发展做出展望。

机器人类脑智能研究综述

传统机器人经过长时间的研究和发展,已经在生产和生活的多个领域得到了广泛的应用,但在复杂多变的环境中依然缺乏与真实生物类似的灵活性、稳定性和适应能力.类脑智能作为一种新型的机器智能,使用计算建模的方法模拟生物神经系统的各类特性,进而实现对各类信息的推理和决策,近年来受到了学术界的广泛关注.鉴于此,综述了国内外面向机器人系统的类脑智能研究现状,并对类脑智能方法在机器人感知、决策和控制三个研究方向的成果进行了整理、归纳和分析,最后从软硬件层面分别指出了机器人类脑智能目前存在的主要问题和未来的发展方向.

基于技术路线图的区域类脑智能领域未来发展研究——以北京为例

类脑智能为基于生物大脑结构或机制的启发,以计算建模为手段,并通过软硬件协同,实现具备感知、决策等多重接近人类智能行为能力的机器智能。美国等许多发达国家纷纷启动推进国家层面的脑计划。为促进中国区域类脑智能相关产业创新发展,需研究中国未来类脑智能发展方向。基于技术路线图研究方法,采用文献分析法与专家咨询法构建区域类脑智能领域未来发展研究的三级要素/领域研究框架,并以北京为例,对类脑智能未来发展在技术层、产品层和环境层3个层面的未来发展情况进行评价研究。结果发现:北京类脑智能在基础研究、核心算法及部分关键核心技术、类脑芯片领域优势明显,类脑机器人等终端设备未来研发乐观,但产业创新配套、政策落实及科技治理监管需进一步加强。未来区域类脑智能发展,需结合区域优势条件,持续加强关键核心技术攻关,支持企业产品研发,推进多学科交叉融合与创新服务平台建设,加强战略规划与政策支持。

感觉编码时空活动模式的类脑表达与计算——架构篇

大脑如何处理随时间和空间变化的感觉数据流,以执行复杂的认知计算和适应性行为控制,一直是脑科学和类脑技术领域的重要难题。这被称为感觉编码的表达与计算问题,其关键在于找到一种通用的方法,使大脑能够有效地学习和表达感觉数据流中的相似性或不变性,并将这些学习结果应用于认知计算、行为控制以及感知觉和意识形成。然而,现有的实验手段、理论框架和方法体系在揭示大脑生物学结构与功能的复杂关系,以及信息论上类脑智能表达与计算的通用机制方面仍面临挑战,更难以深入阐述这两者之间的内在联系。本文基于视网膜-外侧膝状体-视皮质轴神经编码的生理机制,提出构建一种新型的类脑智能单元模型架构,该架构专注于表达与计算感觉数据流的时空活动模式的相似性或不变性。它不仅模拟了人类大脑外周神经系统对信息的压缩表达、丘脑系统的有序分离与拼接、皮质的独立稀疏编码以及自组织映射计算等复杂过程,还模拟了皮质脑区间折返连接振荡与相干振荡的全局编码机制。这种类脑智能单元不仅为构建大规模集成神经网络模型提供了坚实的基础,而且有助于更深入地理解大脑的表达与计算机制,为实现意识的大脑皮质连接图的全局编码提供新的视角,进而推动类脑智能的实现。

综述:类脑智能导航建模技术及其应用

自主导航能力是无人系统所要具备的核心能力。近年来,无人系统作业的环境日益复杂,所面临的任务也越来越有挑战性,这对其自主导航能力提出更高的要求。随着神经科学和人工智能的不断发展,基于动物大脑空间导航机理的类脑导航技术已经成为一种解决复杂环境下智能导航问题的方案。本文对类脑智能导航技术的发展历程进行梳理与总结,重点讨论类脑导航的空间认知模型建模技术及其应用技术——类脑同时定位与建图(simultaneous localization and mapping,SLAM)技术及类脑集群导航技术。最后,总结目前类脑导航技术面临的挑战和不足,并探讨未来的重要发展方向。

光子芯片的智能化前景:类脑智能算法的光学实现与潜在突破

当前,以人工神经网络为代表的类脑智能模型主要在软件层面实现。尽管这些模型在智能化方面已经取得了重大突破,但其发展仍然受到电子芯片物理限制的制约。随着光计算技术的发展,基于模拟光计算的光子芯片能够在硬件层面上直接构建具有神经形态的物理计算单元,实现高效智能处理与自适应学习。本文首先概览了数字光计算和光量子计算领域中光子芯片的相关研究进展,指出发展基于模拟光计算的类脑光子芯片能够规避逻辑门设计的问题并模拟生物脑在计算方面的优势。通过梳理人工神经网络的演化以及相应光学实现技术,本文针对现有类脑光子芯片在非线性元件和规模扩展方面的瓶颈,进一步提出了以下观点:在硬件实现层面,需要进一步探索非线性光学元件,构建全光非线性操作层来模拟脑的非线性特性;在算法实现层面,需要重点研究大脑以记忆为基础的学习认知原理,并设计匹配光子特性的类脑智能算法,从而突破规模限制。

类脑智能垃圾识别技术研究

园区无人驾驶清洁车垃圾识别技术是一项基于人工智能和机器视觉的创新技术,旨在提高园区清洁效率和垃圾分类的准确性。文章研究并实现了一种基于类脑智能和大数据技术融合的、可适应不同距离的垃圾图形数据去噪和精简处理技术。该技术利用先进的图像识别算法和深度学习模型,能自动识别和分类不同类型的垃圾。通过搭载高分辨率摄像头和传感器,该技术能实时捕捉园区内的垃圾图像,并将其传输到云端进行分析和处理。

基于精细神经元的类脑感知学习模型

大脑如何实现学习以及感知功能对于人工智能和神经科学领域均是一个重要问题.现有人工神经网络由于结构和计算机制与真实大脑相差较大,无法直接用于理解真实大脑学习以及处理感知任务的机理.树突神经元模型是一种对大脑神经元树突信息处理过程进行建模仿真的计算模型,相比人工神经网络更接近生物真实.使用树突神经网络模型处理学习感知任务对理解真实大脑的学习过程有重要作用.然而,现有基于树突神经元网络的学习模型大都局限于简化树突模型,无法完整建模树突的信号处理过程.针对这一问题,提出一种基于精细中型多棘神经元网络的学习模型,使得精细神经网络可以通过学习完成相应感知任务.实验表明,在经典的图像分类任务上,所提模型可以达到很好的分类性能.此外,精细神经网络对于噪声干扰有很强的鲁棒性.对网络特性进行进一步分析,发现学习后网络中的神经元表现出了刺激选择性这种神经科学中的经典现象,表明所提模型具有一定的生物可解释性,同时也表明刺激选择特性可能是大脑通过学习完成感知任务的一种重要特性.

抑郁症EEG诊断的类脑学习模型

抑郁症是一种全球性精神疾病,传统诊断方法主要依靠量表与医生的主观评估,无法有效识别症状,甚至存在误诊的风险。基于生理信号的深度学习辅助诊断有望改善传统缺乏生理学依据的方法。然而,传统深度学习方法依赖巨大算力,且大多是端到端的网络学习。这些学习方法也缺乏生理可解释性,限制了辅助诊断临床应用。提出一种用于抑郁症脑电图(electroencephalogram,EEG)诊断的类脑学习模型,在功能层面,构建脉冲神经网络对抑郁症与健康个体进行分类,精度超过97.5%,相比深度卷积方法,脉冲方法降低了能耗;在结构层面,利用复杂网络建立脑连接的空间拓扑并分析其图特征,找出了抑郁症个体潜在的脑功能连接异常机制。

类脑器官在神经退行性疾病中的研究进展

神经退行性疾病(Neurological Degeneration Diseases, NDDs)是一种隐袭起病、慢性进展的中枢神经系统疾病,其主要病理特征是特定神经元的丢失和特异性病理的形成。传统实验方法对NDDs发病机制、治疗方案的探索难以模拟人体环境和潜在的病理改变。由于上述局限性,基于人诱导多能干细胞(human induced pluripotent stem cells, hiPSC)构建的类脑组织及器官(human brain organoids)已用于NDDs的基础研究。本文重点介绍了类脑器官这一新型实验研究方法在NDDs中的应用、优势及局限性,并对其应用前景进行展望。

长绒棉棉铃成熟度仿生类脑分类方法研究

快速准确识别长绒棉棉铃成熟的不同阶段,对长绒棉种植的智能化、装备化管理具有重要意义。针对现有方法在长绒棉棉铃成熟度分类辨识易受复杂棉田背景、阴影、强光和叶片遮挡等因素影响识别率低的问题,提出将模拟生物视觉皮层的信息处理机制与HMAX模型融合的类脑分类方法,实现大田环境下棉铃不同成熟度的快速、高效识别。首先,采用相机获取长绒棉不同成熟阶段的图像信息,以花铃期、裂铃期、吐絮期、停止生长期4个生长阶段为对象,构建中小样本的棉铃数据集;其次,模拟视网膜神经节细胞的信息处理机制以提升HMAX模型的检测速度与精度,提出基于改进HMAX模型的类脑识别算法;最后,为探究各模型在非清晰数据集上的表现,采用高斯模糊方法将测试集转换6次,以HMAX、HHMAX、SHMAX作为对比,评估改进HMAX模型性能。试验结果表明,在原始数据集下,改进HMAX模型的总体准确率为95.3%,相比于HMAX、HHMAX、SHMAX模型分别高出15.1、9.2和6个百分点;在错误分类中,由于吐絮期和停止生长期特征相似,造成错误识别的概率最大;在非清晰数据集下,HMAX、HHMAX以及SHMAX退化指数分别为8.21%、7.935%和11.21%,改进HMAX模型总体退化指数为5.92%。研究结果表明:在分类精度、模糊图像输入等方面,改进HMAX模型能够较好地满足实际生产中棉铃不同成熟阶段分类识别的实际需求。

结合类脑导航的强化学习无人机自主导航

针对无人机自主导航常用的端到端强化学习方法存在训练效率低、泛化能力和通用性差等问题,引入了类脑导航模型,基于长短时记忆(LSTM)神经网络构建了类脑细胞导航模型,通过整合编码无人机智能体的自运动信息,实现了网格细胞和头朝向细胞的编码,进一步将这些信息作为深度强化学习算法D3QN的状态补充表示;通过在AirSim仿真环境的实验表明,类脑导航模型的引入能够有效提高算法的训练能力和无人机智能体的导航性能,相较于原D3QN算法,首次目标固定情况下,到达目标成功率提升了2.54%,达到了97.11%;而在目标改变后继续训练的情况下,到达目标成功率为99.45%,而D3QN仅为11.46%,未能找到新的目标点;表明算法的泛化能力得到有效提升。

面向类脑计算的低电压忆阻器研究进展

忆阻器是非易失性存储器和神经形态计算的优秀候选者.电压调制作为其关键性能策略,是获得纳瓦超低功耗、飞焦超低能耗工作的基础,有助于打破功耗墙、突破后摩尔时代算力瓶颈.然而基于高密度集成忆阻器阵列的类脑计算架构还需重点考虑开/关比、高速响应、保留时间和耐久性等器件稳定性参数.因此如何在低电场下实现离子/电子的高效、稳定驱动,构筑电压低于1 V的低电压、高性能忆阻器成为了当前实现类脑计算能效系统的关键问题.本文综述了近年来面向类脑计算的低电压忆阻器的研究进展.首先,探讨了低电压忆阻器的机制,包括电化学金属化机制和价态变化机制.在此基础上,系统总结了各材料体系在低电压忆阻器中的优势,涵盖了过渡金属氧化物、二维材料和有机材料等.进一步围绕材料工程、掺杂工程、界面工程提出了相应的低电压忆阻器实现策略,最后,展望了基于低电压忆阻器的类脑功能模拟及神经形态计算应用,并对现存问题和未来研究方向进行了讨论.

2024年特色专栏“类脑智能与类脑信息处理”征稿启事

肖南峰,华南理工大学计算机科学与工程学院教授,日本横浜国立大学工学博士,研究方向:智能机器人与人工智能。近年来,他围绕着智能机器人(仿人机器人、家政机器人、工业机器人、聊天机器人、识别机器人)和人工智能(类脑模型、类脑信息处理、机器学习)的基础理论和应用技术进行了深入研究。

类脑智能研究的回顾与展望

人工智能学科诞生以来,实现人类水平的智能系统便是本学科探索的长期目标.然而经历了近60年的发展,目前还没有任何一个通用智能系统能够接近人类水平:具有协同多种不同的认知能力;对复杂环境具备极强的自适应能力;对新事物、新环境具备自主学习的能力等.随着脑与神经科学、认知科学的发展,在不同尺度观测各种认知任务下脑神经网络的部分活动并获取相关数据已成为可能.因此,受脑工作机制启发,发展类脑智能成为近年来人工智能与计算科学领域研究的热点.类脑智能是以计算建模为手段,受脑神经机制和认知行为机制启发并通过软硬件协同实现的机器智能.类脑智能系统在信息处理机制上类脑,认知行为和智能水平上类人,目标是使机器实现各种人类具有的多种认知能力及其协同机制,最终达到或超越人类智能水平.文中将从脑科学、认知科学、人工智能研究交叉的视角回顾与类脑智能研究有关的历史、现状与研究焦点,并展望该研究领域的发展方向、可能的应用领域及其潜在的深远影响.

脑科学与类脑智能发展现状与展望

脑科学被认为是人类科学最后的前沿。在过去一个世纪,它催生了计算机、人工智能等技术,并将在21世纪继续引领新的科学发现。本文从认识脑、保护脑、模拟脑等多个角度概述脑科学发展的现状,并以脑科学为纽带对未来科技发展前景进行展望。

类脑心智计算的科学技术和工程应用的研究与思考

发展新一代的类脑智能,需要综合考虑形成自然智能的结构、功能和行为等研究,偏颇任一方向都是不全面的,难以完全触及智能的本质。文中基于神经系统的结构仿真、认知系统的功能模仿和自然智能的行为模拟,定义了类脑心智计算(BMC)的基本概念,提出了BMC的假设、模型和框架,研究了BMC的前沿理论。在大脑机制、心智模式和行为控制上,分析了当前BMC研究的技术路线、核心算法和关键技术,综述了BMC的复杂系统和工程应用现状。结合智能科学、神经科学、认知科学、信息科学和计算数学等多学科的交叉融合特征,进一步讨论了BMC的科研范式和跨学科建设问题。BMC研究将有望在新一代类脑智能的科学理论、技术创新和工程系统上取得重大突破。

类脑智能:开拓智能新境界

近年来,随着大脑成像、脑机交互、生物传感、大数据处理等新技术不断涌现,脑科学与计算技术、人工智能、纳米材料、认知心理等学科的交叉融合,正酝酿着重大理论与技术突破,脑科学与类脑研究成为全球科技竞争的焦点。

类脑群体导航的机理与发展

近年来,无人机、无人汽车、无人艇等智能无人系统在军事、工农业生产、物流运输等各个领域起到了重要的作用。由于单个无人系统资源与能力的局限性,无法满足愈加复杂的现实需求,因此,将多个智能无人系统组成集群实现协同工作和群体智能成为一种趋势,其中群体导航定位是群体智能的重要基础。传统的卫星导航无法满足无人集群系统在复杂环境下的导航需求,其自主导航成为亟待解决的问题。类脑群体导航是受动物导航系统与群体协同神经机制和原理的启发而产生的一个有前景的研究领域,旨在实现复杂和未知环境中高效智能导航,可以满足无人集群系统的导航需求。本文综述了类脑群体导航的概念、机制,探讨了实现类脑群体导航的空间神经机理、相关的仿真模型,以及基于群体智能的类脑群体决策相关算法,最后讨论了类脑群体导航的发展方向。