我們的大腦可能不大，但它們蘊含大量的計算能力。出于這個原因，許多研究人員一直對創(chuàng)建模擬大腦神經(jīng)信號處理的人工網(wǎng)絡感興趣。這些人工網(wǎng)絡，稱為脈沖神經(jīng)網(wǎng)絡 (SNN)，可用于創(chuàng)建智能機器人，或更好地了解大腦本身。

然而，大腦有 1000 億個微小的神經(jīng)元，每個神經(jīng)元通過突觸連接到 10,000 個其他神經(jīng)元，并通過電脈沖的協(xié)調(diào)模式表示信息。在緊湊型設備上使用硬件模擬這些神經(jīng)元——同時確保以節(jié)能的方式完成計算——已被證明具有挑戰(zhàn)性。

在最近的一項研究中，印度的研究人員實現(xiàn)了超低能量的人工神經(jīng)元，使 SNN 的排列更加緊湊。結(jié)果發(fā)表在 5 月 25 日的IEEE Transactions on Circuits and Systems I: Regular Papers上。

就像大腦中的神經(jīng)元在給定的能量閾值處出現(xiàn)峰值一樣，SNN 依賴于人工神經(jīng)元網(wǎng)絡，其中電流源為泄漏的電容器充電，直到達到閾值水平并且人工神經(jīng)元觸發(fā)，并且存儲的電荷重置為零. 然而，許多現(xiàn)有的 SNN 需要大的晶體管電流來為其電容器充電，這會導致高功耗或人工神經(jīng)元啟動過快。

在他們的研究中，孟買印度理工學院教授 Udayan Ganguly及其同事創(chuàng)建了一種 SNN，該 SNN 依靠一種新的緊湊型電流源為電容器充電，稱為帶間隧道 (BTBT) 電流。

使用 BTBT，量子隧穿電流以超低電流為電容器充電，這意味著需要更少的能量。在這種情況下，量子隧穿意味著電流可以通過類似量子波的行為流過人工神經(jīng)元硅中的禁隙。BTBT 方法還無需使用大型電容器來存儲大量電流，從而為芯片上更小的電容器鋪平了道路，從而節(jié)省了空間。當研究人員使用 45 納米商用絕緣體上硅晶體管技術測試他們的 BTBT 神經(jīng)元方法時，他們看到了大量的能源和空間節(jié)省。

“與在硬件尖峰神經(jīng)網(wǎng)絡中實現(xiàn)的最先進的 [人工] 神經(jīng)元相比，我們在相似區(qū)域?qū)崿F(xiàn)了 5,000 倍的每個尖峰能量降低，并且在相似的區(qū)域和每個尖峰的能量降低了 10 倍，”Ganguly 解釋說.

然后，研究人員將他們的 SNN 應用于受大腦聽覺皮層啟發(fā)的語音識別模型。使用 20 個人工神經(jīng)元進行初始輸入編碼和 36 個額外的人工神經(jīng)元，該模型可以有效地識別口語，證明該方法在現(xiàn)實世界中的可行性。

值得注意的是，這種類型的技術可以很好地適用于一系列應用，包括語音活動檢測、語音分類、運動模式識別、導航、生物醫(yī)學信號、分類等。Ganguly 指出，雖然這些應用程序可以使用當前的服務器和超級計算機來完成，但 SNN 可以使這些應用程序與邊緣設備一起使用，例如手機和物聯(lián)網(wǎng)傳感器——尤其是在能源限制緊張的情況下。

他說，雖然他的團隊已經(jīng)證明他們的 BTBT 方法很有用對于關鍵字檢測等特定應用，他們有興趣為各種應用和客戶展示通用可重復使用的神經(jīng)突觸核心，并創(chuàng)建了一家名為 Numelo Tech 的初創(chuàng)公司來推動商業(yè)化。他說，他們的目標“是一個極低功耗的神經(jīng)突觸核心，并開發(fā)一種實時片上學習機制，這是自主生物啟發(fā)神經(jīng)網(wǎng)絡的關鍵。這是圣杯。