“天机”今登Nature封面：清华施路平团队发布全球首款异构融合类脑芯片！

Tianjic芯片和测试板 

Tianjic芯片采用众核架构、可重构功能核模块和混合编码方案的类数据流控制模式，不仅可以适应基于计算机科学的机器学习算法，还可以轻松实现受大脑原理启发的神经计算模型和多种编码方案。

仅用一个芯片，就可以在无人驾驶自行车系统中同时处理多种算法和模型，实现实时目标检测、跟踪、语音控制、避障和平衡控制。这一研究预计可以为通用性更高的硬件平台发展开拓新的道路，促进AGI技术的开发。

鉴于目前机器学习和神经科学的进步，AGI系统至少应具有以下特征：

• 能够支持在神经网络中进行丰富的空间、时间和时空关系的表达。

• 支持分层、多粒度和多域网络拓扑架构，不限于某一专门的网络结构。

• 支持各种模型，算法和编码方案。

• 支持多个专用神经网络的交织合作，这些神经网络可能是为并行处理不同任务而设计的。

这些特征需要在一个通用化的平台中高效地运行，即能够在统一框架中实现对主流的人工神经网络（ANN）以及受神经科学启发的模型和算法的支持。

图1：实现AGI开发的混合路线

为了支持这些功能，团队开发了一种跨范式计算平台，可以适应面向计算机科学和神经科学的神经网络（图1），兼容各种神经模型和算法，尤其是基于生物学的（如脉冲神经网络，即SNN）要素。

通常，ANN和SNN在信息表示、计算原理和记忆组织方面具有不同的建模方式（如图2a所示）。二者最大的差异是，ANN以精确的多位值来处理信息，而SNN使用二进制脉冲序列。ANN神经元和SNN神经元之间的实现比较如图2b所示。

另一方面，ANN和SNN神经元之间也存在一些相似之处，这就为模型间的融合留下了空间。通过对ANN和SNN的神经网络模型进行详细比较，将计算模型解析并对应到相关的神经元功能模块上 - 即轴突、突触、树突和胞体，从而构建一个跨范式的统一神经元方案（如图2c所示）。团队设计了同时适用两种方案的突触和树突，而轴突和体细胞通过独立重构来改变功能。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!