<p id="5tj7v"><track id="5tj7v"><progress id="5tj7v"></progress></track></p>

    <dfn id="5tj7v"><big id="5tj7v"></big></dfn>

        <address id="5tj7v"></address>

            
            

            <address id="5tj7v"></address>

            <big id="5tj7v"></big>
              <progress id="5tj7v"><thead id="5tj7v"><th id="5tj7v"></th></thead></progress>

                <cite id="5tj7v"><big id="5tj7v"><dl id="5tj7v"></dl></big></cite>

                <form id="5tj7v"><sub id="5tj7v"></sub></form>

                    客觀日本

                    模仿大腦的“察言觀色型AI”,根據不同情況選擇最佳信息處理方法

                    2021年06月23日 信息通信

                    如實還原了大腦的神經細胞(神經元)機制的人工智能(AI)模型受到的關注越來越高。NTT與東京大學的合原一幸特別教授等人組成的研究團隊利用光學技術制作了人工神經元模型。人類的大腦處理信息時僅消耗相當于20W電力的能量,非常節能,靈活性也比現有計算機更高。2050年有望實現省電并能根據情況選擇最佳信息處理方法的“察言觀色型AI”。

                    title

                    NTT等制作人工光神經元所使用的裝置

                    生物的大腦利用神經元的瞬時電活動——“激活”現象來傳遞信息。神經元能瞬間改變電位,此時出現的是針狀“尖峰信號”,用于在神經之間傳遞信號。

                    這種大腦機制的計算機與現有的計算機機理完全不同,被認為智能級別更高和更加高效。東京大學的合原特別教授表示,如果能模仿大腦機制,“就有望開發出節能且能夠進行高級處理的計算機”。

                    研究團隊此次制作了模仿神經元機理的數學模型“脈沖神經網絡(SNN)”。SNN根據尖峰信號的發生頻率及時刻表現信號的強弱并處理信息,可以說是更接近大腦的方法。

                    研究團隊制作的模型是結合特殊光振蕩器和可以自由改寫電路的半導體“FPGA”實現的。通過輸入光振蕩器的光的強度來控制尖峰信號的發生頻率,還可以觀測生物神經元的兩種激活模式。NTT物性科學基礎研究所的特別研究員稻垣卓弘表示:“制作出了比其他方式更接近生物體的模型?!?/p>

                    將SNN應用于機器學習領域,有望實現功耗低且擅長分析時間序列數據的AI。把目前機器學習中主要采用的深度學習算法替換成SNN的很多研究都提高了學習效率。

                    類腦信息處理系統的動向與前景

                    2014年

                    美國IBM開發出相當于100萬個神經元的SNN

                    2020年

                    美國英特爾利用半導體技術開發出相當于小鼠大腦的神經元數量的運算系統

                    2021年

                    NTT與東京大學結合光學技術和FPGA開發出SNN

                    2025年前后

                    開始應用于邊緣計算,采用SNN的神經回路網模擬也越來越多

                    2030年代

                    半導體式回路規模接近“人類水平”,應用大腦各部位的信息處理機制的算法取得發展

                    2040~2050年

                    明確與意識和創造性等有關的大腦功能

                    2050年

                    根據周圍情況選擇最佳信息處理方法的“察言觀色型AI”——類腦計算機誕生

                    SNN:脈沖神經網絡(Spiking neural network)

                    SNN在處理時間序列數據的領域也將大展身手。合原特別教授認為,“可用于預測太陽能和風力發電的發電量等”。通過用SNN分析天氣等的時間序列數據,有望在短時間內實現足夠準確的預測。

                    今后的重點是如何增加神經元的數量。此次制作的SNN的神經元數量最大為256個。NTT的稻垣提出了“在1~2年內增加到1萬個”的目標。屆時可以模擬聽覺和嗅覺等大腦的部分認知功能。

                    之后的目標是增加到1億個,這個數量相當于青蛙和小鼠的大腦神經元數量。不過,“以此次的硬件配置很難實現,需要從設計階段開始改進”(稻垣)。

                    合原特別教授充滿期待地表示,當硬件和軟件技術都有望獲得成熟的2050年,“將實現能根據周圍的情況選擇最佳方法來處理信息的高級AI”。也就是說,將誕生“可以察言觀色的AI”,即“類腦”計算機。

                    還有望明確大腦機制

                    模仿生物體信息處理功能的“神經網絡”研究已經進行了幾十年。期間誕生了在圖像識別方面取得成果的卷積神經網絡(CNN)和用于語音識別等的循環神經網絡(RNN)。

                    目前主流的AI技術之一深度學習就是利用了多層結構神經網絡實現的。NTT還開發過利用光的量子狀態從大量組合中計算最優解的技術“量子神經網絡(QNN)”,以及采用該技術的高性能計算機。

                    SNN更如實地模仿了大腦的信息處理機制,適合處理時間序列數據。在海外,美國的IBM和英特爾已經試制出基于半導體技術的運算系統。半導體方式相對比較容易實現大規?;?,英特爾2020年發布的運算系統的神經元數量“與小鼠的大腦相當”。

                    SNN可能還有助于了解大腦的機制?;蛟S可以明確兩種激活模式的功能和切換對信息處理的影響。

                    目前存在的課題在于耗電量。最關鍵的是當神經元的數量達到人類大腦的水平時,耗電量能否控制在人類大腦能耗水平的20W。

                    日文:島津忠承、《日經產業新聞》,2021/06/11
                    中文:JST客觀日本編輯部