我們的大腦可能不大,，但它們蘊(yùn)含大量的計(jì)算能力。出于這個(gè)原因,，許多研究人員一直對(duì)創(chuàng)建模擬大腦神經(jīng)信號(hào)處理的人工網(wǎng)絡(luò)感興趣,。這些人工網(wǎng)絡(luò)，稱為脈沖神經(jīng)網(wǎng)絡(luò) (SNN),，可用于創(chuàng)建智能機(jī)器人,，或更好地了解大腦本身。

然而,，大腦有 1000 億個(gè)微小的神經(jīng)元,，每個(gè)神經(jīng)元通過突觸連接到 10,000 個(gè)其他神經(jīng)元，并通過電脈沖的協(xié)調(diào)模式表示信息。在緊湊型設(shè)備上使用硬件模擬這些神經(jīng)元——同時(shí)確保以節(jié)能的方式完成計(jì)算——已被證明具有挑戰(zhàn)性,。

在最近的一項(xiàng)研究中,，印度的研究人員實(shí)現(xiàn)了超低能量的人工神經(jīng)元，使 SNN 的排列更加緊湊,。結(jié)果發(fā)表在 5 月 25 日的IEEE Transactions on Circuits and Systems I: Regular Papers上,。

就像大腦中的神經(jīng)元在給定的能量閾值處出現(xiàn)峰值一樣，SNN 依賴于人工神經(jīng)元網(wǎng)絡(luò),，其中電流源為泄漏的電容器充電,，直到達(dá)到閾值水平并且人工神經(jīng)元觸發(fā)，并且存儲(chǔ)的電荷重置為零. 然而,，許多現(xiàn)有的 SNN 需要大的晶體管電流來為其電容器充電,，這會(huì)導(dǎo)致高功耗或人工神經(jīng)元啟動(dòng)過快。

在他們的研究中,，孟買印度理工學(xué)院教授 Udayan Ganguly及其同事創(chuàng)建了一種 SNN,，該 SNN 依靠一種新的緊湊型電流源為電容器充電，稱為帶間隧道 (BTBT) 電流,。

使用 BTBT,，量子隧穿電流以超低電流為電容器充電，這意味著需要更少的能量,。在這種情況下,，量子隧穿意味著電流可以通過類似量子波的行為流過人工神經(jīng)元硅中的禁隙。BTBT 方法還無需使用大型電容器來存儲(chǔ)大量電流,，從而為芯片上更小的電容器鋪平了道路，從而節(jié)省了空間,。當(dāng)研究人員使用 45 納米商用絕緣體上硅晶體管技術(shù)測(cè)試他們的 BTBT 神經(jīng)元方法時(shí),，他們看到了大量的能源和空間節(jié)省。

“與在硬件尖峰神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)的最先進(jìn)的 [人工] 神經(jīng)元相比,，我們?cè)谙嗨茀^(qū)域?qū)崿F(xiàn)了 5,000 倍的每個(gè)尖峰能量降低,，并且在相似的區(qū)域和每個(gè)尖峰的能量降低了 10 倍，”Ganguly 解釋說.

然后,，研究人員將他們的 SNN 應(yīng)用于受大腦聽覺皮層啟發(fā)的語音識(shí)別模型,。使用 20 個(gè)人工神經(jīng)元進(jìn)行初始輸入編碼和 36 個(gè)額外的人工神經(jīng)元，該模型可以有效地識(shí)別口語,，證明該方法在現(xiàn)實(shí)世界中的可行性,。

值得注意的是，這種類型的技術(shù)可以很好地適用于一系列應(yīng)用,，包括語音活動(dòng)檢測(cè),、語音分類、運(yùn)動(dòng)模式識(shí)別、導(dǎo)航,、生物醫(yī)學(xué)信號(hào),、分類等。Ganguly 指出,，雖然這些應(yīng)用程序可以使用當(dāng)前的服務(wù)器和超級(jí)計(jì)算機(jī)來完成,，但 SNN 可以使這些應(yīng)用程序與邊緣設(shè)備一起使用，例如手機(jī)和物聯(lián)網(wǎng)傳感器——尤其是在能源限制緊張的情況下,。

他說,，雖然他的團(tuán)隊(duì)已經(jīng)證明他們的 BTBT 方法很有用對(duì)于關(guān)鍵字檢測(cè)等特定應(yīng)用，他們有興趣為各種應(yīng)用和客戶展示通用可重復(fù)使用的神經(jīng)突觸核心,，并創(chuàng)建了一家名為 Numelo Tech 的初創(chuàng)公司來推動(dòng)商業(yè)化,。他說，他們的目標(biāo)“是一個(gè)極低功耗的神經(jīng)突觸核心,，并開發(fā)一種實(shí)時(shí)片上學(xué)習(xí)機(jī)制,，這是自主生物啟發(fā)神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。這是圣杯,。