5
| 本文作者： 李尊 | 2016-08-04 17:57 |
這一突破十分值得關注，因為這種相變神經元是由目前完全已知的材料組成，另外特別重要的是——這種相變神經元的尺寸能縮減至納米級。而且它們的信號傳輸速度很快，功耗確很低。另外，如同生物神經元一樣——這種相變神經元是隨機的（stochasticity），它們能一直產生稍微不同的、隨機的結果。這些人工神經元可以在低功率情況下用來檢測模式（pattern）以及發現大數據中的互相關聯情況，還能在花費極少能量的情形下進行高速無監督學習。
讓我們來看一下這些相變神經元如何構建的：
像生物神經元一樣，IBM 所發明的人工神經元也有輸入端（樹突）、圍繞信號發生器（胞體、細胞核）的神經元細胞膜（磷脂雙分子層）和一個輸出端（軸突）。從脈沖電流發生器（spike generator）到輸入之間有一個反向傳播連接，可增強某些類型的輸入信號。
這種人工神經元和生物神經元的主要區別是在神經元細胞膜中，真正的神經元細胞里面會是磷脂雙分子層，本質上是用來充當電阻器和電容器——阻止電流直接通過，但同時又在吸收能量。當能量吸收到一定程度時，它就向外發射自己產生的信號。這信號沿著軸突傳導被其他神經元接收，這一過程不斷反復進行。
在 IBM 的人工神經元中，神經元細胞膜被替換成了小塊的鍺銻碲復合材料（GST材料）。GST 材料是復寫光碟的主要原料，也是一個相變材料。這意味著它能以兩種不同的相存在（晶體相或非晶體相），通過加熱（激光或者電力）能輕松的在兩者間進行轉換。相變材料因所在相不同，所具有的物理特性也相當不同：在 GST材料中非晶相不導電，晶體相卻導電。
在人工神經元中，鍺銻碲薄膜起初是非晶體相的。隨著信號的到達，薄膜逐漸變成晶體相—逐漸變得導電。最終電流通過薄膜，制造一個信號并通過該神經元的輸出端發射出去。在一定的時間后，鍺銻碲薄膜恢復為非晶體形態，這個過程不斷反復進行。
IBM單個相變神經元運行過程
另外，由于各種噪聲（離子電導、熱量、背景噪聲）的存在導致生物神經元是隨機的（Stochastic）。IBM研究人員表示，人工神經元之所以同樣表現出了隨機特性是因為——每個GST 細胞的非晶體狀態在每次重置之后會有些許不同，隨后的晶態化過程也會不同。因此，科學家無法確認每個人工神經元會在何時發射信號。
此外，IBM 蘇黎世研究院在Nature Nanotechnology上發表了題為“隨機相變神經元（Stochastic phase-change neurons）”的相關論文。 論文地址
論文的共同作者——Manuel Le Gallo（IBM 蘇黎世研究院研究學者、ETH Zurich在讀PHD）在最近接受的采訪中提到“我們的方法是非常有效率的，特別是在處理大量數據的時候。”下面是具體的采訪內容：
Q：人工神經元到底是如何工作的呢？
Manuel Le Gallo：神經元有一個特別的功能，我們稱之為“整合和發射”。神經元就像一個蓄電池一樣——如果你不斷向神經元發送多重輸入信息，這個神經元將會整合所有的輸入信息。根據輸入信息的總量和強度，膜電位將達到一定的閾值，然后神經元就會進行“發射”或者“脈沖放電”動作。這樣的一個蓄電池可以用來執行令人驚訝的復雜計算任務。
Q：人類大腦的運行方式是如何啟發人工神經元的發展呢？
Manuel Le Gallo：人工神經元是模仿真正的生物神經元建立的。人工神經元沒有神經元那樣完全相同的功能，但是可以通過使用這些神經元實現接近真正大腦一般的運算結果。通常人工神經元是基于CMOS的電路進行搭建，這也是我們所使用的電腦中的標準晶體管技術。我們研究中主要使用非CMOS設備（如相變裝置），在降低功耗和提高區域密度的情況下實現了同樣的功能。
Q：你對這項工作有什么貢獻？
Manuel Le Gallo：在我過去的三年的表征和模型工作中，我們團隊由此對相變設備的物理特征有了相當的了解。這對于在相變設備上設計神經元并理解它們的功能是至關重要的。另外，我還負責文章中部分實驗數據的工作，并對結果的分析以及解釋做出了貢獻。
Q：人工神經元能夠被應用在哪種情況下？
Manuel Le Gallo：在我們的文章中，我們演示了其如何在多重事件流中檢測其互相關系。
Q：事件指代的是？
Manuel Le Gallo：事件可以是Twitter數據、天氣數據或者互聯網上收集到的傳感數據等。
Q：是什么使得神經形態計算比傳統計算更有效率呢？
Manuel Le Gallo：在傳統計算中有一個單獨的內存和邏輯單元，每當要執行計算時必須先訪問內存、獲取數據，然后將數據傳輸到邏輯單元，再返回計算。當得到一個結果時，必須把它返回到內存當中，且這個過程不斷地來回進行。因此如果你正在處理龐大數據的話，這將成為相當麻煩的問題。
而在神經網絡中，計算和存儲是同地協作的。你不需要建立邏輯區與內存區之間的傳輸渠道，只需要在不同的神經元之間建立適當的連接，我們認為這是我們的方法（特別是用于處理大量的數據）將會更有效的主要原因。
PS : 本文由雷鋒網獨家編譯，未經許可拒絕轉載！
via arsTECHNICA IBM Research Blog
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
