“复制粘贴”人类大脑到 3D 芯片网络?三星哈佛强强联手中!

本文主要是介绍“复制粘贴”人类大脑到 3D 芯片网络?三星哈佛强强联手中!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

“复制粘贴”在计算机的日常使用中并不罕见,只是如今这一方法甚至渗透到了开发类脑芯片的过程中,着实让人诧异。

日前,三星于官网博客上分享了一个最新的见解,即借用现有的大脑结构,来开发类似大脑的神经形态芯片。

根据博文透露的消息,此番是由科技巨头三星的顶尖工程师和哈佛大学的资深学者以产学研为基础共同组建的研究团队,该团队在 Nature Electronics 期刊上发表了一篇题为《Neuromorphic electronics based on copying and pasting the brain》(https://www.nature.com/articles/s41928-021-00646-1)的前瞻性论文,向众人揭晓了这一黑科技方法论。

本论文的作者包括三星高等技术学院(SAIT)研究员、哈佛大学教授 Donhee Ham,哈佛大学教授 Hongkun Park,三星 SDS 总裁兼首席执行官、前 SAIT 负责人 Sungwoo Hwang,以及三星高级技术学院(SAIT)副董事长兼首席执行官 Kinam Kim 为论文的共同通讯作者(指稿件所涉及研究工作的负责人)。

图片

从左到右依次为:Donhee Ham、Hongkun Park、Sungwoo Hwang、Kinam Kim 图源:三星博客官网

「复制」、「粘贴」人类大脑

在论文中,作者对于类脑芯片的开发提出了两大愿景:「复制」与「粘贴」。

想要逐渐实现这一愿景,首先值得一提的是,Ham 博士和 Park 博士在研究过程中还开发了一种突破性的技术即纳米电极阵列。该阵列可以有效进入大量的神经元,用以记录神经元连接的位置和连接的强度。因此,通过依赖该纳米电极阵列可复制大脑神经元路线图,继而将该图粘贴到固态存储芯片的高密度 3D 网络上,这里无论是现成的闪存还是像电阻式 RRAM 这样的尖端存储器上都是可行的。

与此同时,通过这样复制、粘贴的方法,作者们还设想创建一种接近大脑独特计算特征的存储芯片,该芯片具有低能耗、快速学习、环境适应性,以及拥有自动化和认知能力等特性,不过,遗憾的是,当前的技术发展无法满足与实现这些功能。

回归神经形态最初目标

三星表示,这篇论文提出了回归大脑逆向工程最初的神经形态目标的方法。

人类的大脑由大量的神经元组成,而神经元之间有着复杂的网络连接,这些网络负责大脑的各项功能。因此,如果要对人类进行逆向工程研究,那么弄清楚大脑中神经元网络的连接是关键。

此前并不是没有研究者对这种方式进行过研究,早在 1980 年代,神经形态工程技术诞生之际,其最初的目标就是在硅芯片上模拟神经元网络的这种结构和功能。但是种种验证表明整个过程非常困难,人们对复杂神经元的连接方式知之甚少,直到现在也无法弄清有多少神经元连接以此实现大脑复杂的高级功能。

后来,神经形态工程的最初目标化繁为简,以开发设计一个受大脑“启发”的芯片为目标,而不是一味地追寻用硅芯片完全模拟人类大脑。

时下,三星工程师和哈佛大学教授们希望回归最初神经形态学的目标。不过有所不同的是,也正如上文所述,此次他们希望通过使用先进的神经科学工具即纳米电极阵列可以进入到大量的神经元中,因此可以高灵敏度地记录记录电流信号。这些大量的细胞并行记录系统可以为神经元网络路线图提供有效信息。基于这些数据,工程师们也可以提取或者复制神经元路线图。

机遇与挑战

通过这样的方法,可以将其作为人工智能系统的“捷径”,这些系统行为方式类似于真正的大脑,包括学习各种新概念和拥有适应不断变化的环境的灵活性。研究人员称,基于此,你甚至可能会看到具有真正认知能力的全自动机器。

不过,从论文方法的提出到实践落地,势必会有很大的挑战,复杂性便是其一。对此,该博客指出,“人脑大约有 1000 亿个神经元,每个神经元通过数千甚至上万个神经突触和其他神经元相连接,总突触超过一百万亿,因此,一个理想的神经形态芯片需要大约 100 万亿左右的记忆单元。”

毫无疑问,这对于全球任何一家公司都是一项艰巨的挑战,对此,Ham 博士表示,“这是一个雄心勃勃的愿景,但是朝着这个目标努力也将推近机器智能、神经科学和半导体技术的边界。”我们也将拭目以待。

参考:https://news.samsung.com/global/samsung-electronics-puts-forward-a-vision-to-copy-and-paste-the-brain-on-neuromorphic-chips

这篇关于“复制粘贴”人类大脑到 3D 芯片网络?三星哈佛强强联手中!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/364629

相关文章

SSID究竟是什么? WiFi网络名称及工作方式解析

《SSID究竟是什么?WiFi网络名称及工作方式解析》SID可以看作是无线网络的名称,类似于有线网络中的网络名称或者路由器的名称,在无线网络中,设备通过SSID来识别和连接到特定的无线网络... 当提到 Wi-Fi 网络时,就避不开「SSID」这个术语。简单来说,SSID 就是 Wi-Fi 网络的名称。比如

Java实现任务管理器性能网络监控数据的方法详解

《Java实现任务管理器性能网络监控数据的方法详解》在现代操作系统中,任务管理器是一个非常重要的工具,用于监控和管理计算机的运行状态,包括CPU使用率、内存占用等,对于开发者和系统管理员来说,了解这些... 目录引言一、背景知识二、准备工作1. Maven依赖2. Gradle依赖三、代码实现四、代码详解五

SpringBoot整合kaptcha验证码过程(复制粘贴即可用)

《SpringBoot整合kaptcha验证码过程(复制粘贴即可用)》本文介绍了如何在SpringBoot项目中整合Kaptcha验证码实现,通过配置和编写相应的Controller、工具类以及前端页... 目录SpringBoot整合kaptcha验证码程序目录参考有两种方式在springboot中使用k

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

Linux 网络编程 --- 应用层

一、自定义协议和序列化反序列化 代码: 序列化反序列化实现网络版本计算器 二、HTTP协议 1、谈两个简单的预备知识 https://www.baidu.com/ --- 域名 --- 域名解析 --- IP地址 http的端口号为80端口,https的端口号为443 url为统一资源定位符。CSDNhttps://mp.csdn.net/mp_blog/creation/editor

ASIO网络调试助手之一:简介

多年前,写过几篇《Boost.Asio C++网络编程》的学习文章,一直没机会实践。最近项目中用到了Asio,于是抽空写了个网络调试助手。 开发环境: Win10 Qt5.12.6 + Asio(standalone) + spdlog 支持协议: UDP + TCP Client + TCP Server 独立的Asio(http://www.think-async.com)只包含了头文件,不依

poj 3181 网络流,建图。

题意: 农夫约翰为他的牛准备了F种食物和D种饮料。 每头牛都有各自喜欢的食物和饮料,而每种食物和饮料都只能分配给一头牛。 问最多能有多少头牛可以同时得到喜欢的食物和饮料。 解析: 由于要同时得到喜欢的食物和饮料,所以网络流建图的时候要把牛拆点了。 如下建图: s -> 食物 -> 牛1 -> 牛2 -> 饮料 -> t 所以分配一下点: s  =  0, 牛1= 1~

poj 3068 有流量限制的最小费用网络流

题意: m条有向边连接了n个仓库,每条边都有一定费用。 将两种危险品从0运到n-1,除了起点和终点外,危险品不能放在一起,也不能走相同的路径。 求最小的费用是多少。 解析: 抽象出一个源点s一个汇点t,源点与0相连,费用为0,容量为2。 汇点与n - 1相连,费用为0,容量为2。 每条边之间也相连,费用为每条边的费用,容量为1。 建图完毕之后,求一条流量为2的最小费用流就行了

poj 2112 网络流+二分

题意: k台挤奶机,c头牛,每台挤奶机可以挤m头牛。 现在给出每只牛到挤奶机的距离矩阵,求最小化牛的最大路程。 解析: 最大值最小化,最小值最大化,用二分来做。 先求出两点之间的最短距离。 然后二分匹配牛到挤奶机的最大路程,匹配中的判断是在这个最大路程下,是否牛的数量达到c只。 如何求牛的数量呢,用网络流来做。 从源点到牛引一条容量为1的边,然后挤奶机到汇点引一条容量为m的边

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX