英特尔的 Nahuku 板之一，每个板包含 8 到 32 个英特尔 Loihi 神经形态芯片。
随着人工智能和深度学习技术变得越来越先进，工程师将需要创建能够可靠且高效地运行计算机的硬件。受人脑结构和生物学启发的神经形态计算硬件在支持复杂的深度神经网络 (DNN) 在操作方面可能特别有前途。
研究人员最近展示了神经形态计算机在实验环境中的运行 DNN 的巨大潜力。他们的研究表明神经形态计算机硬件运行大型 DNN 的效率是传统（即非大脑启发）计算硬件的 4 到 16 倍。
特写是一块英特尔 Nahuku 板，每块板包含 8 到 32 个英特尔 Loihi 神经形态研究芯片。
研究人员在运行相同的系统 DNN 时测量了英特尔神经形态芯片和标准计算机芯片的能耗，然后比较了它们的性能。有趣的是，研究人员发现，调整计算机硬件中包含的神经元模型，使它们类似于大脑中的神经元，可以启用 DNN 的新功能特性，从而提高其能量效率。
大脑中的许多神经元在活动一段时间后需要延长休息时间。由于人工神经元的过度活跃，以前旨在在硬件中复制生物神经动力学的研究通常会取得令人失望的结果，在运行特别大和复杂的 DNN 时会消耗过多的能量。
研究人员证明，在运行相同的系统 DNN 时，英特尔的神经形态计算芯片消耗的能量比传统芯片少 4 到 16 倍。此外，他们还概述了利用人工神经元在峰值后缺乏活动的可能性，以显着提高硬件在时间序列处理任务上的性能。在他们未来的工作中，该团队还希望设计更多受生物启发的策略来提高神经形态芯片的性能，因为目前的硬件只捕获了人脑复杂动力学和功能的一小部分。
| 留言与评论（共有 0 条评论） “” |
