世界首台人脑神经形态超级计算机DeepSouth即将问世

世界首台人脑神经形态超级计算机DeepSouth即将问世事实上，按照目前的趋势，仅NVIDIA销售的人工智能服务器每年消耗的能源就可能超过许多小国，在一个极力去碳化的世界里，这样的能源负荷是一个巨大的拖累。不过，大自然已经解决了这个问题。人类的大脑仍然是目前最先进的，能够从少量杂乱、嘈杂的数据中快速学习，或每秒处理相当于十亿亿次的数学运算，而能耗却只有区区20瓦。这就是西悉尼大学的一个团队正在建造DeepSouth神经形态超级计算机的原因-这是有史以来第一台能够模拟人脑规模的尖峰神经网络的机器。国际神经形态系统中心（InternationalCentreforNeuromorphicSystems）主任安德烈-范-沙克（AndrévanSchaik）教授说："我们无法大规模模拟类似大脑的网络，这阻碍了我们在理解大脑如何利用神经元进行计算方面取得进展。在使用图形处理器（GPU）和多核中央处理器（CPU）的标准计算机上模拟尖峰神经网络实在是太慢太耗电了。我们的系统将改变这种状况。这个平台将增进我们对大脑的了解，并在传感、生物医学、机器人、太空和大规模人工智能应用等不同领域开发大脑规模的计算应用。"DeepSouth预计将于2024年4月上线。研究团队预计，它将能够高速处理海量数据，同时由于采用了尖峰神经网络方法，体积比其他超级计算机小得多，能耗也低得多。它采用模块化可扩展设计，使用市场上可买到的硬件，因此将来可以扩展或收缩，以适应各种任务的需要。该企业的目标是让人工智能处理更接近人脑的工作方式，同时学习更多关于大脑的知识，并希望取得与其他领域相关的进展。值得注意的是，其他研究人员正在从相反的方向研究同样的问题，一些团队现在已经开始使用真正的人类脑组织作为半机械计算机芯片的一部分，并取得了令人印象深刻的成果。了解更多：https://www.westernsydney.edu.au/newscentre/news_centre/more_news_stories/world_first_supercomputer_capable_of_brain-scale_simulation_being_built_at_western_sydney_university...PC版：https://www.cnbeta.com.tw/articles/soft/1404339.htm手机版：https://m.cnbeta.com.tw/view/1404339.htm

【研究报告：神经形态计算机或彻底改变区块链和人工智能】

【研究报告：神经形态计算机或彻底改变区块链和人工智能】2023年07月25日03点14分老不正经报道，德国Dresden工业大学的研究人员最近发表了一份突破性研究，展示了一种用于神经形态计算的新材料设计，这项技术可能对区块链和人工智能产生革命性影响。该团队使用一种称为“储层计算”的技术，开发了一种模式识别方法，该方法使用磁振子涡流几乎瞬时执行算法功能。研发人员不仅开发和测试了新的储存材料，还展示了神经形态计算在标准CMOS芯片上工作的潜力，这可能会颠覆区块链和人工智能。神经形态计算的主要好处是，相对于经典计算和量子计算，其功耗水平极低。这意味着神经形态计算机在操作区块链和在现有区块链上挖掘新区块时可以显著降低时间和能源成本。

科学家创造人工突触 搭配水和盐制造出一种类脑计算机

科学家创造人工突触搭配水和盐制造出一种类脑计算机为了提高传统计算机的能效，科学家们长期以来一直从人脑中寻找灵感。他们希望通过各种方式模仿人脑的非凡能力。这些努力导致了类脑计算机的开发，它摆脱了传统的二进制处理方式，采用了类似于我们大脑的模拟方法。然而，我们的大脑是以水和称为离子的溶解盐粒子为介质运行的，而目前大多数受大脑启发的计算机则依赖于传统的固体材料。这就提出了一个问题：我们是否可以通过采用相同的媒介来更忠实地复制大脑的工作原理？这种引人入胜的可能性正是离子神经形态计算这一新兴领域的核心所在。突触的图示。突触由胶体球组成，球体之间有纳米通道。资料来源：乌得勒支大学在《美国国家科学院院刊》（PNAS）发表的最新研究中，科学家们首次展示了一个依靠水和盐的系统，它具有处理复杂信息的能力，与我们大脑的功能如出一辙。这一发现的核心是一个150×200微米的微小装置，它模仿了突触的行为--突触是大脑中负责在神经元之间传递信号的重要组成部分。乌特勒支大学理论物理研究所和数学研究所的博士生蒂姆-卡姆斯马（TimKamsma）是这项研究的第一作者，他兴奋地表示："虽然能够处理复杂信息的人工突触已经存在，但我们现在首次表明，利用水和盐也能实现这一创举。我们利用与大脑相同介质的系统，有效地复制了神经元的行为"。该装置由韩国科学家开发，被称为离子电子忆阻器，由一个锥形微通道组成，通道内充满水和盐溶液。在接收电脉冲时，液体中的离子会通过通道迁移，从而导致离子浓度的改变。根据脉冲的强度（或持续时间），通道的电导率会相应调整，从而反映出神经元之间连接的加强或减弱。电导的变化程度是输入信号的可测量代表。另一项发现是，通道的长度会影响浓度变化消散所需的持续时间。"卡姆斯马阐述说："这表明有可能定制通道，使其在不同的持续时间内保留和处理信息，这与我们大脑中观察到的突触机制类似。人工突触的显微图片。资料来源：乌得勒支大学这一发现的起源可以追溯到卡姆斯马不久前开始博士研究时的一个想法。他将这个以利用人工离子通道完成分类任务为中心的想法转化为一个强大的理论模型。卡姆斯马回忆说："巧合的是，在此期间，我们与韩国的研究小组有了交集。他们以极大的热情接受了我的理论，并迅速启动了基于该理论的实验工作。令人惊讶的是，仅仅三个月后，初步研究结果就出来了，与卡姆斯马理论框架中的预测非常吻合。见证从理论猜想到实际成果的转变，最终产生这些漂亮的实验结果，令人无比欣喜。"卡姆斯马强调了这项研究的基础性，并着重指出，离子神经形态计算虽然发展迅速，但仍处于起步阶段。设想中的结果是，与当今技术相比，计算机系统在效率和能耗方面具有极大的优势。然而，这一愿景能否实现，目前仍是猜测。不过，卡姆斯马认为该出版物是向前迈出的重要一步。他断言："这标志着计算机不仅能够模仿人脑的通信模式，而且还能利用相同的媒介，这是一个至关重要的进步。或许，这最终将为计算系统更忠实地复制人脑的非凡能力铺平道路。"编译来源：ScitechDaily...PC版：https://www.cnbeta.com.tw/articles/soft/1429167.htm手机版：https://m.cnbeta.com.tw/view/1429167.htm

Intel大型神经拟态系统Hala Point集成11.5亿神经元 比人脑快200倍

Intel大型神经拟态系统HalaPoint集成11.5亿神经元比人脑快200倍Loihi2处理器早在2021年就已发布，首发采用Intel4工艺，集成230亿个晶体管、六个低功耗x86核心、128个神经形态核心，单颗就有100万个神经元、1.2亿个突触，是上代规模的8倍，性能也提升了10倍。Loihi2应用了众多类脑计算原理，如异步、基于事件的脉冲神经网络(SNN)、存算一体不断变化的稀疏连接，而且神经元之间能够直接通信，不需要绕过内存。尤其是在新兴的小规模边缘工作负载上，它实现了效率、速度和适应性数量级的提升。比如执行AI推理负载和处理优化问题时，Loihi2的速度比常规CPU和GPU架构快多达50倍，能耗则只有百分之一。HalaPoint系统的形态是一个六机架的数据中心机箱，大小相当于一个微波炉，内置1152颗Loihi2处理器，共有140544个神经形态处理内核、11.5亿个神经元、1280亿个突触，最大功耗仅为2600瓦。系统内还有2300多颗嵌入式x86处理器，用于辅助计算。内存带宽达16PB/s(16000TB/s)，内核间通信带宽达3.5PB/s(3500TB/s)，芯片间通信带宽达5TB/s，可以每秒处理超过380万亿次的8位突触运算、超过240万亿次的神经元运算。HalaPoint在主流AI工作负载上的计算效率非常出色，比如运行传统深度神经网络时，每秒可完成多达2万万亿次运算(20PFlops)，8位运算的能效比达到了15TOPS/W(每瓦特15万亿次计算)，相当于甚至超过了基于GPU、CPU的架构。在用于仿生脉冲神经网络模型时，HalaPoint能够以比人脑快20倍的实时速度，运行其全部11.5亿个神经元。尤其是在运行神经元数量较低的情况下，它的速度甚至可比人脑快200倍！早期研究结果表明，通过利用稀疏性高达10比1的稀疏连接和事件驱动的活动，HalaPoint运行深度神经网络的能效比可高达15TOPS/W，同时无需对输入数据进行批处理。HalaPoint系统有望推动多领域AI应用的实时持续学习，比如科学研究、工程、物流、智能城市基础设施管理、大语言模型、AI助手等等。...PC版：https://www.cnbeta.com.tw/articles/soft/1427797.htm手机版：https://m.cnbeta.com.tw/view/1427797.htm

八万鼠脑细胞造出一台活体计算机

八万鼠脑细胞造出一台活体计算机在最新研究中，伊利诺伊大学厄巴纳-香槟分校研究团队首先在培养皿中培育了大约8万个来自经过编程的小鼠干细胞的神经元，随后将神经元置于光纤下方和电极网格上，让其接受电和光的刺激，所有元件都被放在一个手掌大小的盒子里，盒子置于保温箱里，以让细胞保持活力。为训练神经元计算机区分不同的信号模式，研究团队创造出了10种不同的电脉冲和闪光模式，并在一个小时内反复播放这些模式，同时使用传统的计算机芯片记录和处理神经元产生的电信号。结果表明，每次出现相同模式时，神经元都会产生相同的信号。此外，研究人员也借助储层计算，让神经元和芯片分工合作，将识别和处理信号耗费的时间和能量降至最低。为评估该设备的性能，研究团队计算了名为F1的性能分数，该分数通常用于指示神经网络识别模式的效率，其中0最差，1最好，该设备的最佳得分为0.98。最新研制出的设备可集成到使用活体肌肉组织制成的机器人内。将神经元融入机器人中意味着神经元可感知环境，然后一次处理这些输入。研究人员表示，使用活细胞进行计算，尤其是储层计算，有助于制造出节能设备，即使其中一些元件出现故障，这些设备仍能继续工作。因此，与传统的机器人相比，将活神经元和储层计算相结合的机器人可能具有优势。...PC版：https://www.cnbeta.com.tw/articles/soft/1350249.htm手机版：https://m.cnbeta.com.tw/view/1350249.htm