世界第一個人造神經元, IBM 離人腦模擬更近一步

神經元有一個特別的功能,我們稱之為「整合和發射」。神經元就像一個蓄電池一樣——如果你不斷向神經元發送多重輸入信息,這個神經元將會整合所有的輸入信息。根據輸入信息的總量和強度,膜電位將達到一定的閾值,然後神經元就會進行「發射」或者「脈衝放電」動作。這樣的一個蓄電池可以用來執行令人驚訝的複雜計算任務。
評論
評論

本文來自於 arsTECHNICA  IBM Research Blog雷鋒網  編譯, INSIDE 獲授權轉載

受人類大腦運行方式的啟發, IBM 蘇黎世研究中心製成了世界上第一個人造納米級的隨機相變神經元。並在其基礎上構建了由 500 個該神經元組成的陣列,讓該陣列模擬人類大腦的工作方式進行訊號處理。

57a3080b94d9d

這一突破十分值得關注,因為這種相變神經元是由目前完全已知的材料組成,另外特別重要的是——這種相變神經元的尺寸能縮減至納米級。而且它們的訊號傳輸速度很快,功耗卻很低。另外,如同生物神經元一樣——這種相變神經元是隨機的(stochasticity),它們能一直產生稍微不同的、隨機的結果。這些人工神經元可以在低功率情況下用來檢測模式(pattern)以及發現大數據中的互相關聯情況,還能在花費極少能量的情形下進行高速無監督學習。

這些相變神經元如何構建的:

像生物神經元一樣, IBM 所發明的人工神經元也有輸入端(樹突)、圍繞訊號發生器(胞體、細胞核)的神經元細胞膜(磷脂雙分子層)和一個輸出端(軸突)。從脈衝電流發生器(spike generator)到輸入之間有一個反向傳播連接,可增強某些類型的輸入訊號。

這種人工神經元和生物神經元的主要區別是在神經元細胞膜中,真正的神經元細胞裡面會是磷脂雙分子層,本質上是用來充當電阻器和電容器——阻止電流直接通過,但同時又在吸收能量。當能量吸收到一定程度時,它就向外發射自己產生的訊號。這訊號沿著軸突傳導被其他神經元接收,這一過程不斷反覆進行。

在 IBM 的人工神經元中,神經元細胞膜被替換成了小塊的鍺銻碲複合材料(GST 材料)。 GST 材料是複寫光碟的主要原料,也是一個相變材料。這意味著它能以兩種不同的相存在(晶體相或非晶體相),通過加熱(激光或者電力)能輕鬆的在兩者間進行轉換。相變材料因所在相不同,所具有的物理特性也相當不同:在 GST 材料中非晶相不導電,晶體相卻導電。

在人工神經元中,鍺銻碲薄膜起初是非晶體相的。隨著訊號的到達,薄膜逐漸變成晶體相—逐漸變得導電。最終電流通過薄膜,製造一個訊號並通過該神經元的輸出端發射出去。在一定的時間後,鍺銻碲薄膜恢復為非晶體形態,這個過程不斷反復進行。

IBM 單個相變神經元運行過程

另外,由於各種噪聲(離子電導、熱量、背景噪聲)的存在導致生物神經元是隨機的(Stochastic)。 IBM 研究人員表示,人工神經元之所以同樣表現出了隨機特性是因為——每個 GST 細胞的非晶體狀態在每次重置之後會有些許不同,隨後的晶態化過程也會不同。因此,科學家無法確認每個人工神經元會在何時發射訊號。

此外,IBM 蘇黎世研究院在 Nature Nanotechnology 上發表了題為「隨機相變神經元(Stochastic phase-change neurons)」的相關論文。 論文連結

57a3098ad100b.png

論文的共同作者—— Manuel Le Gallo(IBM 蘇黎世研究院研究學者、 ETH Zurich 在讀 PHD)在最近接受的採訪中提到「我們的方法是非常有效率的,特別是在處理大量數據的時候。」下面是具體的採訪內容:

Q:人工神經元到底是如何工作的呢?

Manuel Le Gallo:神經元有一個特別的功能,我們稱之為「整合和發射」。神經元就像一個蓄電池一樣——如果你不斷向神經元發送多重輸入信息,這個神經元將會整合所有的輸入信息。根據輸入信息的總量和強度,膜電位將達到一定的閾值,然後神經元就會進行「發射」或者「脈衝放電」動作。這樣的一個蓄電池可以用來執行令人驚訝的複雜計算任務。

Q:人類大腦的運行方式是如何啟發人工神經元的發展呢?

Manuel Le Gallo:人工神經元是模仿真正的生物神經元建立的。人工神經元沒有神經元那樣完全相同的功能,但是可以通過使用這些神經元實現接近真正大腦一般的運算結果。通常人工神經元是基於 CMOS 的電路進行搭建,這也是我們所使用的電腦中的標準晶體管技術。我們研究中主要使用非 CMOS 設備(如相變裝置),在降低功耗和提高區域密度的情況下實現了同樣的功能。

Q:你對這項工作的主要貢獻?

Manuel Le Gallo:在我過去的三年的表徵和模型工作中,我們團隊由此對相變設備的物理特徵有了相當的了解。這對於在相變設備上設計神經元並理解它們的功能是至關重要的。另外,我還負責文章中部分實驗數據的工作,並對結果的分析以及解釋做出了貢獻。

Q:人工神經元能夠被應用在哪種情況下?

Manuel Le Gallo:在我們的文章中,我們展示了其如何在多重事件流中檢測其互相關係。

Q:事件指代的是?

Manuel Le Gallo:事件可以是 Twitter 數據、天氣數據或者互聯網上收集到的傳感數據等。

Q:是什麼使得神經形態計算比傳統計算更有效率呢?

Manuel Le Gallo:在傳統計算中有一個單獨的記憶體和邏輯單元,每當要執行計算時必須先訪問記憶體、獲取數據,然後將數據傳輸到邏輯單元,再返回計算。當得到一個結果時,必須把它返回到記憶體當中,且這個過程不斷地來回進行。因此如果你正在處理龐大數據的話,這將成為相當麻煩的問題。 而在神經網絡中,運算和存儲是同時協作的。你不需要建立邏輯區與內存區之間的傳輸渠道,只需要在不同的神經元之間建立適當的連接,我們認為這是我們的方法(特別是用於處理大量的數據)將會更有效的主要原因。

《延伸閱讀》

韓國研發「人造神經」,要讓電腦像人腦一樣有效率

有一天駭客能侵入你的大腦,世界會怎麼樣?

把人腦比做電腦,讓意識永生?我們已經錯了半 世紀