Spiking Neural Network (SNN) предлагает уникальный подход к моделированию функций мозга, что делает его ключевым направлением в современных исследованиях нейроморфных вычислений. В отличие от традиционных нейронных сетей, SNN работают с дискретными, управляемыми событиями сигналами, более тесно связанными с биологическими процессами.
Специализированные нейроморфные вычислительные чипы разрабатываются для лучшего использования преимуществ SNN. Эти чипы представляют собой отход от традиционной вычислительной архитектуры и предлагают многообещающее решение проблем хранения и энергопотребления в эпоху после Мура.
Однако, чтобы полностью реализовать потенциал SNN, исследователи сталкиваются с рядом проблем. Во-первых, они должны обеспечить гибкость нейронных моделей для точного отражения разнообразного поведения мозга. Во-вторых, им необходимо обеспечить масштабируемость и плотность синаптических связей для эффективной поддержки больших нейронных сетей. Наконец, достижение встроенных возможностей обучения необходимо для того, чтобы эти чипы могли адаптироваться и совершенствоваться, как настоящий мозг.
Принимая во внимание эти проблемы, команда профессора Ган Паня из Чжэцзянского университета в сотрудничестве с Чжэцзянской лабораторией разработала нейроморфный чип Darwin 3, последнюю версию серии Darwin. Команда изучила многочисленные модели нейронов и синапсов, проанализировала, как они работают, и определила их ключевые вычислительные аспекты.
Результаты опубликованы в журнале National Science Review.
Основываясь на своих выводах, они предложили новую архитектуру набора команд (ISA) специально для нейроморфных вычислений. Эта ISA позволяет быстро обновлять состояние и загружать параметры, обеспечивая эффективное создание различных моделей и правил обучения.
Кроме того, исследовательская группа разработала эффективный механизм подключения, значительно повышающий эффективность встроенного хранилища и поддерживающий более 2 миллионов нейронов и 100 миллионов синапсов на одном чипе. Нейронные сети в нашем мозгу невероятно взаимосвязаны.
В среднем каждый нейрон может устанавливать связи с тысячами других нейронов. Предложенный механизм подключения обеспечивает прекрасную аппаратную основу для построения нейронных сетей масштаба мозга.
Исследовательская группа также добилась значительных успехов в возможностях встроенного обучения для Darwin3, что позволяет ему эффективно обрабатывать новую информацию и динамические среды при работе с импульсными нейронными сетями. Это сделало Darwin3 более адаптируемым и удобным для пользователя, демонстрируя исключительную адаптируемость в сложных сценариях.
Недавние эксперименты демонстрируют впечатляющие возможности Darwin 3 по встроенному обучению и способность поддерживать различные виды SNN, что отличает его от других нейромфических чипов. Разработка Darwin 3 знаменует собой важную веху в области нейроморфных вычислений, обещающую расширить возможности искусственного интеллекта.
