人工智能是研究使計算機來模擬人的某些思維過程和智能行為(如學(xué)習(xí)、推理、思考、規(guī)劃等)的學(xué)科，主要包括計算機實現(xiàn)智能的原理、制造類似于人腦智能的計算機，使計算機能實現(xiàn)更高層次的應(yīng)用。人工智能將涉及到計算機科學(xué)、心理學(xué)、哲學(xué)和語言學(xué)等學(xué)科?？梢哉f幾乎是自然科學(xué)和社會科學(xué)的所有學(xué)科，其范圍已遠遠超出了計算機科學(xué)的范疇，人工智能與思維科學(xué)的關(guān)系是實踐和理論的關(guān)系，人工智能是處于思維科學(xué)的技術(shù)應(yīng)用層次，是它的一個應(yīng)用分支。從思維觀點看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進人工智能的突破性的發(fā)展，數(shù)學(xué)常被認(rèn)為是多種學(xué)科的基礎(chǔ)科學(xué)，數(shù)學(xué)也進入語言、思維領(lǐng)域，人工智能學(xué)科也必須借用數(shù)學(xué)工具，數(shù)學(xué)不僅在標(biāo)準(zhǔn)邏輯、模糊數(shù)學(xué)等范圍發(fā)揮作用，數(shù)學(xué)進入人工智能學(xué)科，它們將互相促進而更快地發(fā)展。

雖然人工智能 (AI) 模型變得越來越先進，但在傳統(tǒng)計算機硬件上訓(xùn)練和運行這些模型非常耗能。因此，世界各地的工程師一直在嘗試創(chuàng)建替代的、受大腦啟發(fā)的硬件，以更好地支持人工智能系統(tǒng)的高計算負載。

Technion-Israel Institute of Technology 和 Peng Cheng Laboratory 的研究人員最近創(chuàng)建了一個新的神經(jīng)形態(tài)計算系統(tǒng)，支持深度信念神經(jīng)網(wǎng)絡(luò)(DBN)，深度學(xué)習(xí)模型的生成和圖形類。Nature Electronics中概述的該系統(tǒng)基于硅基憶阻器，這是一種既能存儲又能處理信息的節(jié)能設(shè)備。

憶阻器是一種電子元件，可以切換或調(diào)節(jié)電路中的電流，同時還能記住通過它的電荷。由于它們的功能和結(jié)構(gòu)比傳統(tǒng)的記憶和處理單元更類似于人腦中的突觸，因此它們可能更適合運行 AI 模型。

“作為一個大型科學(xué)界的一部分，我們已經(jīng)研究神經(jīng)形態(tài)計算已有一段時間了，”進行這項研究的研究人員之一 Shahar Kvatinsky 告訴 TechXplore?！巴ǔ?，憶阻器用于執(zhí)行模擬計算。眾所周知，神經(jīng)形態(tài)領(lǐng)域存在兩個主要限制——一是憶阻技術(shù)仍未廣泛應(yīng)用。二是轉(zhuǎn)換所需的轉(zhuǎn)換器成本高模擬計算到數(shù)字?jǐn)?shù)據(jù)，反之亦然?！?

在開發(fā)他們的神經(jīng)形態(tài)計算系統(tǒng)時，Kvatinsky 和他的同事著手克服基于憶阻器的系統(tǒng)的這兩個關(guān)鍵限制。由于憶阻器并未廣泛使用，他們決定改用 Tower Semiconductor 開發(fā)的商用閃存技術(shù)，將其設(shè)計為像憶阻器一樣工作。此外，他們專門用新設(shè)計的 DBN 測試了他們的系統(tǒng)，因為這種特殊模型不需要數(shù)據(jù)轉(zhuǎn)換(即，它的輸入和輸出數(shù)據(jù)是二進制的，并且本質(zhì)上是數(shù)字的。

“DBN 是一個古老的機器學(xué)習(xí)理論概念，”Kvatinsky 解釋說?！拔覀兊南敕ㄊ鞘褂枚M制(即值為 0 或 1)神經(jīng)元(輸入/輸出)。有幾個獨特的屬性(與深度神經(jīng)網(wǎng)絡(luò)相比)，包括這種網(wǎng)絡(luò)的訓(xùn)練依賴于計算累積的期望模型更新并僅在達到特定閾值時更新它?！?

研究人員創(chuàng)建的人工突觸是使用商業(yè)互補金屬氧化物半導(dǎo)體 (CMOS) 工藝制造的。這些基于硅的憶阻突觸具有許多優(yōu)勢特性，包括模擬可調(diào)性、高耐久性、長保留時間、可預(yù)測的循環(huán)退化以及跨不同設(shè)備的適度可變性。

Kvatinsky 和他的同事通過在模式識別任務(wù)中訓(xùn)練一種稱為受限玻爾茲曼機的 DBN 來展示他們的系統(tǒng)。為了訓(xùn)練這個模型(19x 8 憶阻器受限玻爾茲曼機)，他們使用了兩個 12 x 8 陣列的憶阻器。

“DBN 的簡單性使它們對硬件實施具有吸引力，”Kvatinsky 說?！拔覀儽砻?，即使 DBN 易于實現(xiàn)(由于它們的二進制性質(zhì))，但在使用基于 Y-Flash 的憶阻器時，我們可以達到高精度(>97% 的手寫數(shù)字準(zhǔn)確識別)?！?

該研究團隊引入的架構(gòu)為運行受限玻爾茲曼機和其他 DBN 提供了一種新的可行解決方案。未來，它可能會激發(fā)類似神經(jīng)形態(tài)系統(tǒng)的開發(fā)，共同幫助更高效地運行人工智能系統(tǒng)。

“我們現(xiàn)在計劃擴大這種架構(gòu)，探索更多的憶阻技術(shù)并探索更多的神經(jīng)網(wǎng)絡(luò)架構(gòu)?！?