摘要： 藉由以特殊用途硅電路復製人腦神經元(neuron)、突觸(synapse)、樹狀突(dendrite)與軸突(axon)功能， IBM 宣稱已經開發(fā)出首款客製化感知運算核心(custom cognitive computing cores)，將數位棘波神經元與超高密度晶片上縱橫栓(crossbar)突觸、事件導向通訊(event-driven communication)等功能結合在一起。
關鍵字： 硅電路， IBM ， 電腦
藉由以特殊用途硅電路復製人腦神經元(neuron)、突觸(synapse)、樹狀突(dendrite)與軸突(axon)功能， IBM 宣稱已經開發(fā)出首款客製化感知運算核心(custom cognitive computing cores)，將數位棘波神經元與超高密度晶片上縱橫栓(crossbar)突觸、事件導向通訊(event-driven communication)等功能結合在一起。
上述的IBM研究成果是與美國國防部高等研究計畫署(DARPA)合作之「 SyNAPSE (Systems of Neuromorphic Adaptive Plastic Scalable Electronics，神經性自適應塑膠可微縮電子系統(tǒng))」計畫的“零階段(phase zero)”與“第一階段(phase one)”最大進展。
IBM現(xiàn)在將與合作伙伴美國哥倫比亞大學、康乃爾大學、加州大學梅西分校(University of California-Merced)與威斯康辛大學麥迪遜分校進入該研究計畫的第二階段，在未來的18個月并將有一筆2，100萬美元的資金注入。加計這筆新資金，DARPA截至目前為止已經在該計畫投入4，100萬美元
SyNAPSE 計畫的最終目標，是建立一套內含10億神經元、100兆突觸的「類人腦」$電腦，而且其尺寸與功耗也要與人腦相當。
「我們希望能擴展并補充進行即時性不確定環(huán)境(realtime uncertain environments)資訊處理的傳統(tǒng)von Neumann電腦架構之功能;」IBM研究中心(IBM Research)計畫領導人Dharmendra Modha表示：「感知電腦必須能整合來自情境依賴形式(context dependent fashion)下不同感測器的輸入資訊，才能接近人腦的即時性感覺運動回饋迴路(sensory-motor feedback loop)?！?/P>
而雖然IBM聲稱其客製化感知運算核心是業(yè)界首創(chuàng)，但歐洲上個月也發(fā)表了一項打算利用ARM核心處理器模擬人腦的研究計畫 SpiNNaker (參考連結)。
傳統(tǒng)von Neumann電腦架構無法處理來自今日感測器元件的多重同步資料流，但人腦能藉由分散式處理以及分布在神經網路的記憶體，輕鬆處理這類任務;值得一提的是，感測器資訊是透過叫做樹狀突的輸入線，將資訊饋入神經元。
神經元會將輸入的資訊整合，直到一個極限值;屆時它會激發(fā)一個脈衝至其輸出軸突，該時機是由連接其他神經元的突觸權值(weight)來決定。
IBM開發(fā)的感知運算晶片尺寸約3mm寬，據說已經證實具備與人類對打電子游戲「Pong」(而且會贏)，以及辨識不同形式的手寫數字7的能力
至于人腦的模式識別(pattern recognition)功能，是由突觸去“學習(learning)”那些連結是最常用的，這使它們變得更強壯，而較少用的連結就會逐漸消失;透過這種模式，神經網路會閉合感覺運動回饋迴路，一旦某個模式藉由感測器的輸入資訊被辨別出來，輸出運動神經元就會產生反應。
IBM利用縱橫栓陣列復製人腦架構來掌管突觸，然后這些突觸會去學習哪些感官模式是與所渴望的運動控制輸出相對應;縱橫栓陣列會藉由整合大規(guī)模的樹狀突扇入(fan-in)，而將神經元與感測器輸入連結，接著送出脈衝到軸突，將個別突觸連結饋入網路中其他神經元。
「突觸是由縱橫栓陣列所實現(xiàn)，其中垂直線是輸入樹狀突，水平線則是輸出軸突;」Modha解釋：「每個神經元會為了與其他神經元通訊而激發(fā)，其記憶體是與處理器完全整合，不同于von Neumann架構的兩者分離。」
感知電腦將具備低功耗、與較慢時脈速度特性
據了解，最終的感知電腦雖然內含數十億神經元，卻只有當其神經元激發(fā)時才會消耗功率，而且激發(fā)時的時脈速度是非常慢的10Hz;因此，整套人腦尺寸的感知電腦，可能只有鞋盒那么大，所消耗電力低于一千瓦。
IBM展示了兩款工作塬型晶片，兩者都是完全數位化的，將在未來的感知電腦中以核心形式出現(xiàn);屆時是在單晶片上整合數千個該種核心。「我們的晶片有個智慧財產方面的關鍵進展，也就是它們都是數位化的，讓我們能先在超級電腦上進行模擬，再將結果佈置到硅晶片上，使其具備可預測、決定性(deterministic)特點?！筂odha表示。
這兩款塬型各採用幾百萬的電晶體，來實現(xiàn)以單核心控制256個神經元;晶片面積小于4mm2，以IBM的 45奈米絕緣上覆硅(SOI) CMOS製程生產。兩顆測試用處理器核心唯一的不同處，在于它們所採用的互聯(lián)縱橫栓陣列，一個是配置256k可預先程式化(pre-programmable)突觸，一個是配置64k學習式(learning)突觸。
以上兩種晶片是在IBM的紐約州Fishkill晶圓廠製造，目前在該公司分別位于紐約州與加州圣荷西的T.J. Watson研究中心與IBM研究中心進行測試。
在實際運作時，IBM的晶片會從經驗(有數種預設的學習參數)中學習;舉例來說，其中一種參數是神經元在整合多個輸入資訊后激發(fā)的極限值水準(threshold level)。設定在低水準時，其速度可以加快但運作效能較粗糙;設定高水準時，速度較慢但運作效能較精細。
接著當神經元激發(fā)時，學習突觸會藉由在被使用時改變其權值做適應;IBM在其中實現(xiàn)了Donald Hebb 規(guī)則，也就是神經元與神經元之間的某個突觸連結越常被使用，其導電性就會因為突觸權值被降低而增加。反之，越少被用到的連結就會因為越高的權值，使其在神經網路中幾乎消失。
IBM預期該公司所開發(fā)的感知電腦可應用在多樣化的領域，包括導航、機器視覺(machine vision)、模式識別、聯(lián)想記憶(associative memory)與分類(classification)等等;到目前為止，它們已經教會了其中一顆晶片認識各種不同筆跡的草寫數字「7」，另一顆晶片則是學會如何在與人類對打游戲機「Pong」時取得勝利。[!--empirenews.page--]
下載文檔
