通过伊莎贝尔·罗宾逊,理学。2018年2月2日
在他的论文中发表于1月26日，迈克尔L. Schne欧洲杯线上买球ider及其团队描述了他们的最新成就，这可能是使人工智能更多人类的关键。该团队创建了超导计算芯片，该芯片在大脑中的神经元后建模。这允许更快速有效地处理信息，并且可以是高级计算设备中有机机器学习软件的关键。
施耐德，一个物理学家美国国家标准与技术研究院（NIST）解释这一巨大的成就在神经形态计算提高了某些计算任务的效率，如决策，尽管相信“肯定有更好的办法，因为大自然已经找到了更好的办法。”
图片来源:ktsdesign /上面
目前，人工智能软件（例如，谷歌的自动语言和图像分类程序）也使用人工神经元。然而，由于不被设计为处理复杂的“大脑的”算法的传统硬件，这些任务仍然不是人类的大脑。
从理论上讲，模仿人性大脑的硬件可以比传统的电子系统更有效地运行复杂的任务。这是由于系统处理信息的方式差异。在传统系统中，晶体管用于处理规则间隔和量（即0或1位）的信息。另一方面，在产生模仿数据在人脑中处理的电气脉冲之前，神经形态系统可以从许多来源中容纳和改变信息。
NIST不是唯一试图开发神经形态硬件的群体，而是它们对模仿神经元可能潜在地解决跨晶体管之间突触的信息的低效率问题的电极的铌超导体。该团队在具有磁锰的纳米单元之间的超导体之间填充了这种突触状，通过改变间隙中的磁场可以在不同方向上对准。这允许系统在电力水平和磁力方向上编码信息，并且允许在不占用额外空间的情况下进行优异的计算能力。
这一发展使得突触每秒可以激活10亿次，比其他神经形态系统快得多，也比人类神经元快得多，而只需要使用万分之一的能量。除此之外，合成神经元在传输数据之前可以从9个来源积累数据。
然而，在实际应用中使用该发现之前，还需要进行一些开发。为了能够将该技术用于复杂的计算，需要数百万个突触，目前尚不清楚是否有可能将该技术扩展到能够做到这一点。此外，突触必须用液氦冷却，因为它们只能在极低的温度下工作。施耐德认为，与使用同等功率的传统电子系统相比，设备冷却所需的能量更少。这意味着该技术可能更适合大型数据中心，而不是小型设备，在英国曼彻斯特大学研究神经形计算的计算机工程师史蒂文·弗伯(Steven Furber)也持这种观点。
Furber还认为，这项技术的实际应用还有很长的路要走。他强调,“这种设备技术可能非常有趣，但我们对[生物]突触的关键特性还了解得不够，无法知道如何有效地使用它们。”
新的计算设备到达商业市场可能需要10年或更长时间，因此，FURBER认为应该开发许多不同的技术方法。由于神经科学家提供进一步洞察人脑，所以神经形态计算领域的未来发展将增加。
这篇文章转载自《自然》杂志，由偶氮网编辑修改。原文可以找到在这里。
免责声明：这里表达的观点是提交人的私人能力表达的意见，不一定代表Azom.com限量T / A Azonetwork的观点，这是本网站的所有者和运营商。此免责声明构成了部分条款和条件本网站的使用。