我们的大脑可能不大，但它们蕴含大量的打算能力。出于这个缘故原由，许多研究职员一贯对创建仿照大脑神经旗子暗记处理的人工网络感兴趣。这些人工网络，称为脉冲神经网络 (SNN)，可用于创建智能机器人，或更好地理解大脑本身。
然而，大脑有 1000 亿个眇小的神经元，每个神经元通过突触连接到 10,000 个其他神经元，并通过电脉冲的折衷模式表示信息。在紧凑型设备上利用硬件仿照这些神经元——同时确保以节能的办法完成打算——已被证明具有寻衅性。
在最近的一项研究中，印度的研究职员实现了超低能量的人工神经元，使 SNN 的排列更加紧凑。结果揭橥在 5 月 25 日的IEEE Transactions on Circuits and Systems I: Regular Papers上。
就像大脑中的神经元在给定的能量阈值处涌现峰值一样，SNN 依赖于人工神经元网络，个中电流源为泄露的电容器充电，直到达到阈值水平并且人工神经元触发，并且存储的电荷重置为零. 然而，许多现有的 SNN 须要大的晶体管电流来为其电容器充电，这会导致高功耗或人工神经元启动过快。
在他们的研究中，孟买印度理工学院教授 Udayan Ganguly及其同事创建了一种 SNN，该 SNN 依赖一种新的紧凑型电流源为电容器充电，称为带间隧道 (BTBT) 电流。
利用 BTBT，量子隧穿电流以超低电流为电容器充电，这意味着须要更少的能量。在这种情形下，量子隧穿意味着电流可以通过类似量子波的行为流过人工神经元硅中的禁隙。BTBT 方法还无需利用大型电容器来存储大量电流，从而为芯片上更小的电容器铺平了道路，从而节省了空间。当研究职员利用 45 纳米商用绝缘体上硅晶体管技能测试他们的 BTBT 神经元方法时，他们看到了大量的能源和空间节省。
“与在硬件尖峰神经网络中实现的最前辈的 [人工] 神经元比较，我们在相似区域实现了 5,000 倍的每个尖峰能量降落，并且在相似的区域和每个尖峰的能量降落了 10 倍，”Ganguly 阐明说.
然后，研究职员将他们的 SNN 运用于受大脑听觉皮层启示的语音识别模型。利用 20 个人工神经元进行初始输入编码和 36 个额外的人工神经元，该模型可以有效地识别口语，证明该方法在现实天下中的可行性。
值得把稳的是，这种类型的技能可以很好地适用于一系列运用，包括语音活动检测、语音分类、运动模式识别、导航、生物医学旗子暗记、分类等。Ganguly 指出，虽然这些运用程序可以利用当前的做事器和超级打算机来完成，但 SNN 可以使这些运用程序与边缘设备一起利用，例如手机和物联网传感器——尤其是在能源限定紧张的情形下。
他说，虽然他的团队已经证明他们的 BTBT 方法很有用对付关键字检测等特定运用，他们有兴趣为各种运用和客户展示通用可重复利用的神经突触核心，并创建了一家名为 Numelo Tech 的初创公司来推动商业化。他说，他们的目标“是一个极低功耗的神经突触核心，并开拓一种实时片长进修机制，这是自主生物启示神经网络的关键。这是圣杯。
★ 点击文末【阅读原文】，可查看本文原文链接！
免责声明：本文由作者原创。文章内容系作者个人不雅观点，半导体行业不雅观察转载仅为了传达一种不同的不雅观点，不代表半导体行业不雅观察对该不雅观点赞许或支持，如果有任何异议，欢迎联系半导体行业不雅观察。
本日是《半导体行业不雅观察》为您分享的第3072内容，欢迎关注。
晶圆｜集成电路｜设备｜汽车芯片｜存储｜台积电｜AI｜封装
原文链接！
