研究人员开发新型人工神经元设备 有望减少自动驾驶所需计算能力和硬件

据外媒报道，加州大学圣地亚哥分校的研究人员开发了一种新型人工神经设备，有望降低训练神经网络执行任务所需的计算能力和硬件。与现有的基于CMOS的硬件相比，该设备运行神经网络计算所需的能量和空间减少了100到1000倍。

神经网络是一系列相互连接的人工神经层，其中一层的输出为另一层提供输入。生成的输入是通过应用一种称为非线性激活函数的数学计算来实现的。这是运行神经网络的关键部分，但由于需要在两个独立的单元之间来回传输数据，应用此功能需要大量的计算能力和电路。研究人员开发了一种纳米尺寸的设备，可以有效地执行激活功能。加州大学圣地亚哥分校的Duygu Kuzum教授说：“随着神经网络模型变得越来越大、越来越复杂，硬件中的神经网络计算效率越来越低。我们开发了一种单一的纳米级人工神经元设备，可以在硬件上以非常节省空间和能源的方式进行计算。”。“这种设备实现了神经网络训练中最常用的激活功能之一，它被称为整流线性单元。这种功能的独特之处在于，它需要能够承受电阻逐渐变化的硬件才能发挥作用。研究人员设计的设备可以从绝缘状态逐渐过渡到导电状态产生少量热量。这种转变发生在纳米级二氧化钒层中，称为莫特转变。在这个层的上方是一个由钛和金制成的纳米线加热器。当电流流过纳米线时，二氧化钒层缓慢升温，导致从绝缘状态到导电状态的缓慢可控转变。这项研究的主要作者吴桑琴，解释道：“这种器件结构非常有趣和创新。通常，当电流直接流经材料时，莫特转化的材料会经历从绝缘到导电的突然转变。为此，我们让电流通过材料顶部的纳米线来加热材料，并引起非常渐进的电阻变化。”。“为了部署该设备，研究人员首先制作了一组激活设备和一组突触设备。然后，将这两个阵列集成到定制的印刷电路板上，并将它们连接在一起，以创建神经网络的硬件版本。研究人员使用该网络处理图像，这是来自加州大学圣地亚哥分校Gazelle Libra的图像这个网络执行称为边缘检测的图像处理，识别图像中物体的轮廓或边缘。实验表明，集成硬件系统可以执行卷积运算，这对许多类型的深度神经网络至关重要。研究人员表示，“这项技术可以进一步扩展，以完成更复杂的任务，如自动驾驶汽车的人脸识别和物体识别。Kuzum说，”目前，这只是一个概念验证。这是一个非常小的系统，我们只在其中堆叠了一个突触层和一个激活层。通过将更多的层堆叠在一起，我们可以为不同的应用程序创建更复杂的系统。"

标签：

汽车资讯热门资讯