“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！

图2d是一个完整的单功能核（FCore）示意图，包括轴突、突触、树突、胞体和路由部分。为了实现深度融合，几乎整个FCore都可以重新配置，以便在不同模式下实现高利用率。FCore能够涵盖大多数ANN和SNN使用的线性积分和非线性变换操作。该芯片上的FCores以二维2D网格方式排列，如图2e和2f所示。

Tianjic芯片和其后端布局图如图3a所示。芯片由156个FCore组成，包含大约40000个神经元和1000万个突触。Tianjic芯片采用28纳米半导体工艺制造，面积为3.8×3.8平方毫米。每个独立模块占用的芯片面积，包括轴突，电流，信号，路由器，控制器和其他芯片开销，如图3b所示。由于资源可以重复使用，用以兼容SNN和ANN模式的区域仅占总面积的3%左右。FCore的功耗分解如图3c所示。

图3 芯片评估和建模摘要示意图

Tianjic能够支持多种神经网络模型，包括基于神经科学的网络（如SNN，以及基于生物学启发的神经网络）和基于计算机科学的网络（如MLP，CNN和RNN等）。图3d所示为在Tianjic芯片上测试不同网络模型与通用处理单元的测试结果。

如图3e所示，具有树突中继的混合神经网络可突破传统神经形态芯片Fan in/fan out的限制，避免SNN网络的精度损失（+11.5％）。采用这种混合模式增加的额外开销小到可以忽略不计，因为Tianjic可以自然地在FCore中实现异构转换。使用Tianjic还可以探索更具生物学意义的认知模型（如图3f所示）。

为了证明构建类脑跨范式智能系统的可行性，团队利用无人驾驶自行车发展了一个异构可扩展人工通用智能开发展示平台，在一块Tianjic芯片内并行部署并同时运行多个专用网络。

实验中的自行车配备了多种算法和模型，能够执行实时物体检测、跟踪，语音命令识别、加速、减速、躲避障碍、控制平衡和决策等任务（图4a）。

自动行驶自行车演示平台 

要实现这些任务，需要克服三个主要挑战：

首先，在室外自然环境中成功检测并平滑跟踪移动目标、跨越减速带，并在必要时自动避开障碍物。

第二，需实时响应平衡控制、语音命令和视觉感知产生实时电机控制信号，以保持自行车在正确的方向上运动。

第三，实现多种信息的集成处理和快速决策。

图4：基于Tianjic芯片多模型整合平台的无人驾驶自行车各项测试结果

为了完成这些任务，团队开发了几个神经网络，包括用于图像处理和物体检测的CNN，用于人类目标跟踪的CANN，用于语音命令识别的SNN，用于姿态平衡和方向控制的MLP，还有用于决策控制的混合网络。

由于芯片的分散式架构和任意路由拓扑，Tianjic芯片平台可以实现所有神经网络模型的并行化运行，并实现多个模型之间的无缝通信，使自行车能够顺利完成这些任务。图4c显示响应不同语音命令的输出信号。

图4d显示自行车在跟踪、避障和和“S形”曲线行进时的输出控制信号。图4e为基于物理量度的不同速度下的车辆姿态和转向控制的学习情况。

Tianjic芯片可以同时支持基于计算机科学的机器学习算法和基于神经科学的生物学模型，可以自由地集成各种神经网络和混合编码方案，实现多网络之间的无缝通信，包括SNN和ANN。 

总而言之，本文介绍了一种新颖的类脑计算的芯片架构，通过将交叉范式模型和算法集成到一个平台上来实现灵活性和扩展性。希望这一研究成果能够加速AGI的发展，推动新的实际应用的发展。

（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!