文章目录[隐藏]
转载公众号：量子位
微信号：QbitAI
作者：佐治亚理工学院教授Jennifer Hasler
若朴、李林编译自IEEE
脑启发计算（brain-inspired computing）不是什么新鲜事。
例如深度学习等人工神经网络算法，只是有一点点类似人类大脑的运作方式，但已经能让电脑可以出色地完成翻译、在海量数据中寻找微妙的模式以及打败人类最好的围棋选手等等多种不可思议的任务。
然而不管工程师后续如何努力，在现有道路上数字计算的能效正在逼近极限。人类的数据中心和超级计算机功耗已达兆瓦，消耗了美国2%的电能。
相比之下，人类大脑的功耗只有20瓦，每天只吃一点食物就能维持能量供给。显而易见，如果想继续推动电脑进步，最好继续模仿人脑。
所谓神经形态（neuromorphic）技术，就是要让计算摆脱简单的神经网络，转而运行在更像大脑神经元和突触的电路之中。
这种物理类脑电路发展已久，过去三十五年来，全球各地的实验室已经建造出各种像突触和树突一样的人工神经元部件，并能真实的响应和产生电信号。
那么，用这些部件构造一个大脑级别的计算机如何？
2013年，我和我当时在佐治亚理工的研究生Bo Marr一起，研究了当时最好的工程和神经科学知识，并且得出结论：应该可以使用晶体管技术，制造出硅基版本的人类大脑皮质（也就是大脑的表层）。
而且，这种机器占地不到一立方米，功耗不到100瓦，已经与人脑相差没有那么远。
但真要建造这样一台电脑并不容易。我们设想的这个系统需要几十亿美元进行设计和建造，包括一些关键的封装创新以保持紧凑。
还有一个问题，怎么对这台电脑进行编程和训练。神经形态研究人员仍然在努力研究如何让成千上万的人工神经元一起工作，以及如何把类脑活动转变为有效的工程应用。
尽管仍有种种困难，这仍带来新的曙光：可用于移动和穿戴设备的更小芯片，已经距离我们不远。这类设备对功耗敏感，因此高能效的神经形态芯片，一定会带来革命性的变化，即便这种芯片只能分担一部分计算任务。
届时，例如语音识别等功能，在嘈杂环境中也将可以一展身手；也许未来的智能手机，可以在通话时进行实时的语言翻译。
自从第一个信号处理集成电路诞生40年以来，摩尔定律让能效提高了大约1000倍。而最为类脑的神经形态芯片可以继续推动这种进步，有可能将功耗水平再降1亿倍。这意味着，一个数据中心只有巴掌大小。
终极类脑机器将会拥有和大脑一样的基本功能部件：突触，用于连接神经元以及接收、响应信号；树突，基于输入信号组合和执行本地计算；神经元胞体，集成来自树突的输入并将其输出到轴突上。
上述基础部件已经都有了简单的硅基版本。这就是金属-氧化物半导体场效应管，简称MOSFET。这一元件已被用于在现代数字处理器中，制造了数十亿逻辑电路。
这些装置与神经元有很多共同点。神经元的运作使用电压控制屏障，其电与化学活性主要取决于离子在细胞内部和外部之间移动的通道，这是一个平滑的模拟过程，包括稳定的积累或下降，而不是简单的开关操作。
MOSFET也受电压控制，并通过单个电荷的运动进行操作。当MOSFET工作在“亚阈值”模式时，也就是低于控制数字开关的电压时，流过器件的电流非常小，不到典型数字逻辑门开关中的千分之一。
亚阈值晶体管物理学可以用来构建类脑电路的概念，最初来自加州理工学院的Carver Mead，他在1970年代助推了超大规模电路设计领域的革命。Mead当时指出芯片设计者只把晶体管用于数字逻辑，忽视了很多有趣的现象。
一个更多“基于物理”的电脑可以比数字版本带来更好的计算功耗，Mead预计，这种电脑会显著占用更少的空间。
最近几年，神经形态工程师已经使用硅制造出构建大脑的基本模块，而且有很高的生物保真度。神经元的树突、轴突和胞体都可以由标准晶体管和其他电路元件制成。
2005年，我和在读博士生Ethan Farquhar使用一组六个MOSFET和一些电容，创建了一个神经元电路。我们模型产生的电脉冲，非常接近鱿鱼神经元胞体，而且我们的电路实现了与鱿鱼大脑类似的电流水平和功耗。
如果使用神经科学家为描述这一行为开发的模拟电路进行方程建模，所需要的晶体管数量将增加10倍。用数字电脑执行这些计算需要更多的空间。
模拟突触有点棘手。实现突触功能的设备，必须能够记住它处于什么状态，以特定方式对输入信号进行响应，并随时间调整响应。
建立突触有不少可用的方法。迄今为止最成熟的是单晶体管学习突触（STLS），这是加州理工1990年代的研究成果，当时我是Mead的研究生。
STLS在1994年发布，并成为工程师建造现代模拟电路（例如物理神经网络）的重要工具。在神经网络中，每个节点具有与其关联的权重，这些权重决定了如何组合来自不同节点的数据。
STLS是第一个可以持有各种不同权重，而且能在运行时重新编程的设备，而且不使用时也能记住自身状态，这显著降低了所需的能量。
STLS是一种浮栅晶体管，用于构成闪存的存储单元。在普通的MOSFET中，门通过载流通道控制电流。浮栅晶体管具有位于该电门和通道之间的第二栅极。该浮动门不直接接地或任何其他组件。
由于通过高质量硅绝缘体接口增强的电隔离，电荷长时间停留在浮动栅极中。浮动门可以承受许多不同的电荷量，因此具有许多不同的电响应水平，这是创建能够改变其对刺激的响应的人造突触的必要条件。
我们使用STLS演示了第一个crossbar网络，这是目前纳米技术研究领域流行的计算模型。这一技术可以单独对每个突触的连接强度进行编程，而不会干扰阵列中的其他元素。
在DARPA（美国国防部高级研究计划局）SyNAPSE项目的助推下，神经形态工程领域已经掀起对忆阻器、电阻式RAM和相变存储器、浮动栅极设备等纳米器件人工突触研究的热潮。
但是想要对20年前已出现的浮栅阵列进行提高非常困难。记忆体和其他新兴内存伴随着编程的挑战。有些因为设备架构的原因，难以在交叉开关阵列中定位单个特定设备；有些需要一个专用的晶体管来编程，大大增加了它们的占位面积。
由于浮动栅极存储器可在很宽的范围内编程，与很多纳米器件相比，可以更容易地进行微调，以补偿器件与器件之间的制造差异。一些试图将纳米器件集成到设计中的神经元研究小组，最近正在使用浮动栅极器件。
那么，我们该怎样把这些像大脑一样的组件组合起来呢？在人脑中，神经元和突触混在一起，因此，神经形态芯片的设计者也必须采用更加集成的方法，将所有神经元件都集成在一个芯片上。
很多神经形态实验室现在并不是这样做的，为了让研究项目更易于管理，不同的部件可能被放在不同地方。比如说，突触可能会被降级到片外阵列，而连接可能通过现场可编程门阵列(FPGA)来实现。
但是当我们扩展神经形态系统时，我们需要注意，不要让它重复现在的计算机架构。现在的计算机存在一个问题：大量的能量被用来在逻辑、内存和存储器之间传递数据，可以轻易达到计算本身所消耗能量的10倍。
与此相反，我们的大脑通过让运算保持高度本地化，最大限度地减少了通信的能量成本。大脑的记忆要素，如突触强度，与传递信号的神经组件是融合的，而从神经元延伸出来的大脑“传输线”——传输入射信号和输出脉冲的树突和轴突，与大脑相比尺寸非常短，因此，它们不需要大量的能量来维持信号。从解剖数据，我们知道超过90％的神经元只与最近的1000个左右的邻居相连。
还有一个问题，摆在类脑芯片和计算机的建造者面前：运行什么算法。
就算一个结构松散的脑启发的系统，与数字系统相比也有很大优势。例如，2004年，我的小组使用浮动栅极设备做信号处理乘法，与同等性能的数字系统相比，只用了1/1000的能量和1/100的面积。过去几年中，其他研究人员和我的团队也成功地展示了许多其他类型的信号处理计算的神经形态方法。
但大脑的能效，是这些演示系统的10万倍。这是因为，尽管我们目前的神经形态技术利用类似神经元的方式来排列晶体管，但它没有考虑大脑用来执行操作的算法。
今天，我们才刚刚开始发现这些物理算法——也就是说，让类脑芯片的能效也更像大脑的方法。四年前，我的研究小组使用硅体，突触和树突来执行一个从语音波形识别单词的算法。与预测的模拟信号处理相比，该物理算法的能量效率提高了千倍。最终，通过降低芯片电压、使用较小的晶圆，研究人员应该能建造出在一系列计算任务上能效与大脑相当的芯片。
30年前，当我开始进行神经学研究时，每个人都相信设计更像大脑的系统会产生巨大的机会。事实也正是如此，现在整个行业都建立在大脑启发的人工智能和深度学习的基础之上，这项技术的应用改变了移动设备、金融机构，以及我们的互动方式。
然而，我们所了解的大脑工作原理，这些技术只用了一点点，未来三十年，这类知识将更多被应用到计算上。要完成从神经科学到计算的转化，我们已经有了基本的硬件，但是，我们必须更好地了解改如何利用这些硬件，也就是怎样的计算方案能产生最大的好处。
最后，我要呼吁你们行动起来。在宽泛的基于大脑工作原理的模型上，我们已经走了很远。但神经科学的研究能让我们设计出更复杂的类脑计算机。
与用我们自己的大脑，来学习如何建立新大脑先比，还有什么事能称为更大的壮举呢？
