спэшл по алекс / статьи.англ / Neuroelectronics

Neuroelectronics: Smart connections

Computer chips inspired by human neurons can do more with less power.

• M. Mitchell Waldrop

06 November 2013

RAMIN RAHIMIAN

Kwabena Boahen holds a 'neuromorphic' circuit board from his Neurogrid device.

Expand

Kwabena Boahen got his first computer in 1982, when he was a teenager living in Accra. “It was a really cool device,” he recalls. He just had to connect up a cassette player for storage and a television set for a monitor, and he could start writing programs.

But Boahen wasn't so impressed when he found out how the guts of his computer worked. “I learned how the central processing unit is constantly shuffling data back and forth. And I thought to myself, 'Man! It really has to work like crazy!'” He instinctively felt that computers needed a little more 'Africa' in their design, “something more distributed, more fluid and less rigid”.

Today, as a bioengineer at Stanford University in California, Boahen is among a small band of researchers trying to create this kind of computing by reverse-engineering the brain.

The brain is remarkably energy efficient and can carry out computations that challenge the world's largest supercomputers, even though it relies on decidedly imperfect components: neurons that are a slow, variable, organic mess. Comprehending language, conducting abstract reasoning, controlling movement — the brain does all this and more in a package that is smaller than a shoebox, consumes less power than a household light bulb, and contains nothing remotely like a central processor.

To achieve similar feats in silicon, researchers are building systems of non-digital chips that function as much as possible like networks of real neurons. Just a few years ago, Boahen completed a device called Neurogrid that emulates a million neurons — about as many as there are in a honeybee's brain. And now, after a quarter-century of development, applications for 'neuromorphic technology' are finally in sight. The technique holds promise for anything that needs to be small and run on low power, from smartphones and robots to artificial eyes and ears. That prospect has attracted many investigators to the field during the past five years, along with hundreds of millions of dollars in research funding from agencies in both the United States and Europe.

Neuromorphic devices are also providing neuroscientists with a powerful research tool, says Giacomo Indiveri at the Institute of Neuroinformatics (INI) in Zurich, Switzerland. By seeing which models of neural function do or do not work as expected in real physical systems, he says, “you get insight into why the brain is built the way it is”.

Nature special: New angles on the brain

And, says Boahen, the neuromorphic approach should help to circumvent a looming limitation to Moore's law — the longstanding trend of computer-chip manufacturers managing to double the number of transistors they can fit into a given space every two years or so. This relentless shrinkage will soon lead to the creation of silicon circuits so small and tightly packed that they no longer generate clean signals: electrons will leak through the components, making them as messy as neurons. Some researchers are aiming to solve this problem with software fixes, for example by using statistical error-correction techniques similar to those that help the Internet to run smoothly. But ultimately, argues Boahen, the most effective solution is the same one the brain arrived at millions of years ago.

“My goal is a new computing paradigm,” Boahen says, “something that will compute even when the components are too small to be reliable.”

Silicon cells

The neuromorphic idea goes back to the 1980s and Carver Mead: a world-renowned pioneer in microchip design at the California Institute of Technology in Pasadena. He coined the term and was one of the first to emphasize the brain's huge energy-efficiency advantage. “That's been the fascination for me,” he says, “how in the heck can the brain do what it does?”

Mead's strategy for answering that question was to mimic the brain's low-power processing with 'sub-threshold' silicon: circuitry that operates at voltages too small to flip a standard computer bit from a 0 to a 1. At those voltages, there is still a tiny, irregular trickle of electrons running through the transistors — a spontaneous ebb and flow of current that is remarkably similar in size and variability to that carried by ions flowing through a channel in a neuron. With the addition of microscopic capacitors, resistors and other components to control these currents, Mead reasoned, it should be possible to make tiny circuits that exhibit the same electrical behaviour as real neurons. They could be linked up in decentralized networks that function much like real neural circuits in the brain, with communication lines running between components rather than through a central processor^1, 2.

Expand

By the 1990s, Mead and his colleagues had shown it was possible to build a realistic silicon neuron³(see 'Biological inspiration'). That device could accept outside electrical input through junctions that performed the role of synapses, the tiny structures through which nerve impulses jump from one neuron to the next. It allowed the incoming signals to build up voltage in the circuit's interior, much as they do in real neurons. And if the accumulating voltage passed a certain threshold, the silicon neuron 'fired', producing a series of voltage spikes that travelled along a wire playing the part of an axon, the neuron's communication cable. Although the spikes were 'digital' in the sense that they were either on or off, the body of the silicon neuron operated — like real neurons — in a non-digital way, meaning that the voltages and currents weren't restricted to a few discrete values as they are in conventional chips.

That behaviour mimics one key to the brain's low-power usage: just like their biological counterparts, the silicon neurons simply integrated inputs, using very little energy, until they fired. By contrast, a conventional computer needs a constant flow of energy to run an internal clock, whether or not the chips are computing anything.

Related stories

• Neuroscience: New angles on the brain

• The Language of the Brain

• The Human Brain Project

More related stories

Mead's group also demonstrated decentralized neural circuits — most notably in a silicon version of the eye's retina. That device captured light using a 50-by-50 grid of detectors. When their activity was displayed on a computer screen, these silicon cells showed much the same response as their real counterparts to light, shadow and motion⁴. Like the brain, this device saves energy by sending only the data that matters: most of the cells in the retina don't fire until the light level changes. This has the effect of highlighting the edges of moving objects, while minimizing the amount of data that has to be transmitted and processed.

Coding challenge

In those early days, researchers had their hands full mastering single-chip devices such as the silicon retina, says Boahen, who joined Mead's lab in 1990. But by the end of the 1990s, he says, “we wanted to build a brain, and for that we needed large-scale communication”. That was a huge challenge: the standard coding algorithms for chip-to-chip communication had been devised for precisely coordinated digital signals, and wouldn't work for the more-random spikes created by neuromorphic systems. Only in the 2000s did Boahen and others devise circuitry and algorithms that would work in this messier system, opening the way for a flurry of development in large-scale neuromorphic systems.

Among the first applications were large-scale emulators to give neuroscientists an easy way to test models of brain function. In September 2006, for example, Boahen launched the Neurogrid project: an effort to emulate a million neurons. That is only a tiny chunk of the 86 billion neurons in the human brain, but enough to model several of the densely interconnected columns of neurons thought to form the computational units of the human cortex. Neuroscientists can program Neurogrid to emulate almost any model of the cortex, says Boahen. They can then watch their model run at the same speed as the brain — hundreds to thousands of times faster than a conventional digital simulation. Graduate students and researchers have used it to test theoretical models of neural function for processes such as working memory, decision-making and visual attention.

“In terms of real efficiency, in terms of fidelity to the brain's neuronal networks, Kwabena's Neurogrid is well in advance of other large-scale neuromorphic systems,” says Rodney Douglas, co-founder of the INI and co-developer of the silicon neuron.

But no system is perfect, as Boahen himself is quick to point out. One of Neurogrid's biggest shortcomings is that its synapses — of which there is an average of 5,000 per neuron — are simplified connections that cannot be modified individually. This means that the system cannot be used to model learning, which occurs in the brain when synapses are modified by experience. Given the limited space available on the chip, squeezing in the complex circuitry needed to make each synapse behave in a more realistic manner would require circuit elements about a thousand times smaller in area than they are at present — in the realm of nanotechnology. This is currently impossible, although a newly developed class of nanometre-scale memory devices called 'memristors' could someday solve the problem.

“We envision building fully autonomous robots that interact with their environments in a meaningful way.”

Another issue stems from inevitable variations in the fabrication process, which mean that every neuromorphic chip performs slightly differently. “The variability is still much less than what is observed in the brain,” says Boahen — but it does mean that programs for Neurogrid have to allow for substantial variations in the silicon neurons' firing rates.

This issue has led some researchers to abandon Mead's original idea of using sub-threshold chips. Instead, they are using more conventional digital systems that are still neuromorphic in the sense that they mimic the electrical behaviour of individual neurons, but are more predictable and much easier to program — at the cost of using more power.

A leading example is the SpiNNaker Project, led since 2005 by computer engineer Steve Furber at the University of Manchester, UK. This system uses a version of the very-low-power digital chips — which Furber helped to develop — that are found in many smartphones. SpiNNaker can currently emulate up to 5 million neurons. These neurons are simpler than those in Neurogrid and burn more power, says Furber, but the system's purpose is similar: “running large-scale brain models in biological real time”.

Another effort sticks with neuron-like chips, but boosts their speed. Neurogrid's neurons operate at exactly the same rate as real ones. But the European BrainScaleS project, headed by former accelerator-physicist Karlheinz Meier at Heidelberg University in Germany, is developing a neuromorphic system that currently emulates 400,000 neurons running up to 10,000 times faster than real time. This means it consumes about 10,000 times more energy than equivalent processes in the brain. But the speed is a boon for some neuroscience researchers. “We can simulate a day of neural activity in 10 seconds,” Meier says.

Furber and Meier now have the money to push for bigger and better. Together they constitute the neuromorphic arm of the European Union's ten-year, €1-billion (US$1.3-billion) Human Brain Project, which was officially launched last month. The roughly €100 million devoted to neuromorphic research will allow Furber's group to scale up his system to 500 million digital neurons; Meier's group, meanwhile, is aiming for 4 million.

The success of these research-oriented projects has helped to stoke interest in the idea of using neuromorphic hardware for practical, ultra-low-power applications in devices from phones to robots. Until recently, that hadn't been a priority in the computer industry. Chip designers could usually minimize energy consumption by simplifying circuit design, or splitting computations over multiple processor 'cores' that can run in parallel or shut down when they are not needed.

But these approaches can only achieve so much. Since 2008, the US Defense Advanced Research Projects Agency has spent more than $100 million on its SyNAPSE project to develop compact, low-power neuromorphic technology. One of the project's main contractors, the cognitive computing group at IBM's research centre in Almaden, California, has used its share of the money to develop digital, 256-neuron chips that can be used as building blocks for larger-scale systems.

Brain power

Boahen is pursuing his own approach to practical applications — most notably in an as-yet-unnamed initiative he started in April. The project is based on Spaun: a design for a computer model of the brain that includes the parts responsible for vision, movement and decision-making. Spaun relies on a programming language for neural circuitry developed a decade ago by Chris Eliasmith, a theoretical neuroscientist at the University of Waterloo in Ontario, Canada. A user just has to specify a desired neural function — the generation of instructions to move an arm, for example — and Eliasmith's system will automatically design a network of spiking neurons to carry out that function.

To see if it would work, Eliasmith and his colleagues simulated Spaun on a conventional computer. They showed that, with 2.5 million simulated neurons plus a simulated retina and hand, it could copy handwritten digits, recall the items in a list, work out the next number in a given sequence and carry out several other cognitive tasks⁵. That's an unprecedented range of abilities by neural simulation standards, says Boahen. But the Spaun simulation ran about 9,000 times slower than real time, taking 2.5 hours to simulate 1 second of behaviour.

Boahen contacted Eliasmith with the obvious proposition: build a physical version of Spaun using real-time neuromorphic hardware. “I got very excited,” says Eliasmith, for whom the match seemed perfect. “You've got the peanut butter, we've got the chocolate!”

With funding from the US Office of Naval Research, Boahen and Eliasmith have put together a team that plans to build a small-scale prototype in three years and a full-scale system in five. For sensory input they will use neuromorphic retinas and cochleas developed at the INI, says Boahen. For output, they have a robotic arm. But the cognitive hardware will be built from scratch. “This is not a new Neurogrid, but a whole new architecture,” he says. It will trade a certain amount of realism for practicality, relying on “very simple, very efficient neurons so that we can scale to the millions”.

The system is explicitly designed for real-world applications. On a five-year timescale, says Boahen, “we envision building fully autonomous robots that interact with their environments in a meaningful way, and operate in real-time while [their brains] consume as much electricity as a cell phone”. Such devices would be much more flexible and adaptive than today's autonomous robots, and would consume considerably less power.

In the longer term, Boahen adds, the project could pave the way for compact, low-power processors in any computer system, not just robotics. If researchers really have managed to capture the essential ingredients that make the brain so efficient, compact and robust, then it could be the salvation of an industry about to run into a wall as chips get ever smaller.

“But we won't know for sure,” Boahen says, “until we try.”

Nature

 

 

(07 November 2013)

 

Neuroelectronics: Смарт-соединения

Компьютерные чипы, вдохновленный человеческие нейроны могут сделать больше с меньшими энергозатратами.

• М. Митчелл Уолдроп

06 ноября 2013 г.

Статья инструменты

• PDF

• Права И Разрешения

РАМИН RAHIMIAN

Квабена Boahen держит " нейроморфные' плате от его Neurogrid устройства.

Разверните

Квабена Boahen получил свой первый компьютер в 1982 году, когда он был подростком, живущим в Аккре. “Это было действительно здорово устройства”, - вспоминает он. Он просто должен был подключить Кассетный магнитофон для хранения и Телевизор для монитора, и он может приступить к написанию программ.

• Земного размера экзопланет может быть покрыто облаками расплавленной соли

• Изменение климата будет иметь плохой проблема хуже для пострадавших от засухи в Африке

• Разбавленное ЕС 'buddy " учреждение, программа может не помочь остановить семейственность

Но Boahen не была в таком восторге, когда узнал, как кишки его компьютер работал. “Я узнала, как центральный процессор постоянно шаркающие данных туда и обратно. И я подумал : " Мужчина! Это действительно работать, как сумасшедший!'” Он инстинктивно чувствовал, что компьютеры нужно немного больше " Африка " в их конструкции, “что-то более распространен, более плавным и менее " жесткими”.

Сегодня, как биоинженер из Стэнфордского университета в Калифорнии, Boahen среди небольшой группы исследователей пытается создать такого рода вычислений путем обратной инженерии мозга.

Мозг-это необычайно низкое энергопотребление и можете проводить расчеты, которые бросают вызов крупнейших в мире суперкомпьютеров, даже если он полагается на явно несовершенным компоненты: нейроны, которые медленно, переменной, органические беспорядок. Постигая язык, проведение абстрактных рассуждений, контролируя движение - мозг делает все это и многое другое в пакет, который меньше, чем shoebox, потребляет меньше энергии, чем бытовые лампочки, и не содержит ничего, отдаленно похожего на центральный процессор.

Для достижения подобных подвигов в кремния, исследователи построения систем не-электронные чипы, которые функционируют как можно больше сетей, как реальных нейронов. Всего несколько лет назад, Boahen завершено устройство под названием Neurogrid, что эмулирует миллионов нейронов - примерно столько, сколько есть в медоносной пчелы мозга. И сейчас, спустя четверть века развития, приложения для 'нейроморфные технологии " наконец-то и в помине. Техника перспективной для всего, что должно быть маленьким и работать на малой мощности, от смартфонов и роботы, искусственный глаз и ушей. Эта перспектива привлекает многих исследователей в области за последние пять лет, наряду с сотнями миллионов долларов на финансирование научных исследований с учреждениями в Соединенных Штатах и Европе.

Нейроморфные устройства также предоставляют нейробиологи с мощным исследовательским инструментом, - говорит Джакомо Indiveri в институте нейроинформатики (INI) в Цюрихе, Швейцария. Видя, что модели нейронных функция не работает должным образом в реальных физических системах, говорит он, “вы получите представление, почему мозг построен так оно и есть”.

Природаспециальные: Под новым углом взглянуть на мозг

И, как говорит Boahen, нейроморфные подход должен помочь обойти надвигающейся ограничение закон Мура - многолетняя тенденция компьютер-производители микросхем управления удвоить количество транзисторов в них может уместиться в указанной области раз в два года. Эта жестокая усадки в скором времени приведут к созданию силиконовой цепи так, маленькие и плотно Упакованные, что они больше не будут генерировать чистый сигналов: электроны будут протекать через компонентов, изготовления из них так грязно, как нейроны. Некоторые исследователи нацелены на то, чтобы решить эту проблему с помощью программного обеспечения, исправления, например, с помощью статистических коррекции ошибок методов, аналогичных тем, что помогает Интернет, чтобы работать бесперебойно. Но, в конечном счете, утверждает, Boahen, наиболее эффективное решение и тот же мозг прибыл на миллионы лет назад.

“Моя цель-это новая парадигма вычислений,” Boahen говорит : “то, что будет вычислить, даже если компоненты слишком малы, чтобы быть надежными”.

Кремниевые элементы

В нейроморфные идея восходит к 1980-е и Карвер МИД: всемирно известный Пионер в микрочип дизайн в Калифорнийском технологическом институте в Пасадене. Он ввел этот термин и был одним из первых, чтобы подчеркнуть мозга огромная энергия эффективность преимущество. “Это было увлечение для меня,” говорит он, “как, черт возьми, мозг может делать то, что он делает?”

МИД стратегии для ответа на этот вопрос была имитация мозга малой мощности переработки с " подпороговое " кремний: - схему, которая работает при напряжении слишком мал, чтобы перевернуть стандартный компьютерный бита от 0 до 1. В тех напряжений, есть еще крошечной, нерегулярные струйка электронов, бегущих через транзисторы - спонтанное приливы и отливы текущего что удивительно похожи по размеру и изменчивости, которые были организованы на ионы пропуская через канал в нейрона. С добавлением микроскопических конденсаторы, резисторы и другие компоненты для управления этими течениями, медовухи рассуждал, это должно быть возможным, чтобы сделать крошечные схемы, которые демонстрируют такое же поведение электрического качестве реальных нейронов. Они могут быть связаны в децентрализованных сетей, которые работают во многом похоже на реальных нейронных цепей в мозгу, с коммуникационных линий, проходящих между компонентами, а не через центральный процессор^1, 2.

Разверните

В 1990-х, МИД и его коллеги показали, можно было построить реалистичную кремния нейрон³(см. "Биологическая " вдохновение"). Этим устройством может принять за пределами Электрический вход через соединениях, которые исполняли роль синапсов, крошечные структуры, через которые нервных импульсов прыгать от одного нейрона к другому. Это позволило поступающие сигналы наращивать напряжение в цепи интерьера, как они это делают в реальной нейронов. И если накапливающееся напряжение прошло определенное пороговое значение, кремния нейрон 'уволили", выпуск серии скачков напряжения, которые путешествовали вдоль провода, играя часть аксона, нейрона кабеля связи. Хотя шипы были 'цифровой' в том смысле, что они были либо включен, либо выключен, тело кремния нейрон работает как настоящие нейроны - не в цифровом виде, что означает, что токов и напряжений не только несколько дискретных значений, как в обычных фишек.

Что имитирует поведение одной из ключевых мозга низкого энергопотребления: так же, как их биологических аналогов, кремния нейронов просто интегрированных входов, используя очень мало энергии, пока они не стреляли. В отличие от обычных компьютерных нужен постоянный приток энергии, чтобы запустить внутренние часы, ли или не фишек вычислительных ничего.

Родственные рассказы

• Неврология: Новые углы на мозг

• Язык Мозга

• Человеческий Мозг Проекта

Подробнее читайте

МИД группа также продемонстрировали децентрализованной нейронных цепей, особенно в силиконовой версии сетчатки глаз. Это устройство пропускаемого света с помощью 50-на-50 сетки детекторов. Когда их деятельность была отображена на экране компьютера, эти клетки кремния показал гораздо один и тот же ответ, как и их реальные аналоги света, тени и движения⁴. Как мозг, это устройство позволяет экономить энергию, посылая только те данные, которые вопросов: большинство клеток в сетчатке не огне до светло-изменение уровня. Это имеет эффект подсветки краям движущихся объектов, при этом минимизируя количество данных, которые необходимо передать и обработать.

Кодирования вызов

В те ранние дни, исследователи имели свои руки полное освоение однокристальных устройств, таких как силиконовая сетчатки, говорит Boahen, кто присоединился МИД лаборатории в 1990 году. Но к концу 1990-х годов, говорит он, “мы хотели построить мозг, и для этого нам нужны масштабные связи”. Это было огромной проблемой: стандартные алгоритмы кодирования для chip-to-chip коммуникации были придуманы именно для скоординированных цифровых сигналов, и не будет работать для более случайных всплесков, созданные нейроморфные системы. Только в 2000-х годах сделал Boahen и другие разрабатывают схемы и алгоритмы, которые будут работать в этом messier системы, открывая путь для шквал развития в крупных нейроморфные системы.

Среди первых приложений были в основном крупные эмуляторы, чтобы дать нейробиологи простой способ проверки моделей функционирования мозга. В сентябре 2006 года, например, Boahen запустил Neurogrid проекта: попытка подражать миллион нейронов. Что это только малая часть 86 миллиардов нейронов в человеческом мозге, но достаточно, чтобы модель нескольких тесно связанных между собой столбцы нейронов мысль сформировать вычислительные единицы человеческого мозга. Нейрофизиологи могут программу Neurogrid эмулировать практически любые модели коры, говорит Boahen. Затем они могут смотреть их запуска модели на той же скоростью, что мозг - сотни и тысячи раз быстрее, чем обычный цифрового моделирования. Аспиранты и исследователи использовали его для проверки теоретических моделей нейронных функции для таких процессов, как Рабочая память, принятие решений и визуальное внимание.

“С точки зрения реальной эффективности, с точки зрения верности мозга нейронных сетей, квабена в Neurogrid хорошо заранее других крупных нейроморфные системы”, - говорит Родни Дуглас, co-основатель INI и co-developer кремния нейрона.

Но ни одна система не является совершенной, как Boahen сам быстро указали. Один из Neurogrid крупнейших недостатков заключается в том, что его синапсов, которая в среднем 5000 за нейрон - это упрощенное соединений, которые не могут быть изменены индивидуально. Это означает, что система не может быть использована для модели обучения, которая происходит в мозгу, когда синапсов модифицированных опыт. Учитывая ограниченность пространства, доступного на чип, сжимая в сложные схемы необходимо, чтобы каждый СИНАПС вести себя в более реалистической манере потребует элементы цепи примерно в тысячу раз меньше площади, чем они есть на данный момент - в сфере нанотехнологий. Это сейчас невозможно, хотя недавно разработанный класс нанометр-масштаб памяти устройства, так называемые 'мемристоров' может когда-нибудь решить эту проблему.

“Мы считаем, что здание полностью автономных роботов, которые взаимодействуют с окружающей их среде, в значительной степени.”

Другая проблема вытекает из неизбежные отклонения в процессе изготовления, что означает, что каждый нейроморфные чип выполняет несколько иначе. “Изменчивость-это все равно гораздо меньше, чем то, что наблюдается в мозге”, - говорит Boahen - но это не означает, что программы для Neurogrid позволять существенные изменения в силиконовой нейронов стрельбы цены.

Этот вопрос привело некоторых исследователей отказаться от медовухи оригинальные идеи использования суб-порог фишек. Вместо этого, они используют более традиционные цифровые системы, которые все еще нейроморфные в том смысле, что они имитируют поведение электрического отдельных нейронов, но более предсказуемой и гораздо легче программы - за счет использования более власти.

Ярким примером является спинакер Проект, во главе с 2005 года по компьютерный инженер Стив Фербер в Манчестерском университете, Великобритания. Эта система использует версию очень низкой мощности цифровых микросхем - что Фербер помогал развивать", которые встречаются во многих смартфонах. SpiNNaker в настоящее время может эмулировать до 5 миллионов нейронов. Нейроны-это проще, чем те, в Neurogrid и сжигать больше энергии, говорит Фербер, но назначение системы-это аналог: “запущены масштабные модели мозга в биологических режиме реального времени”.

Еще усилие палочки с нейрон-как чипсы, но и увеличивает их скорость. Neurogrid нейронами работать на таких же условиях, как настоящие. Но Европейский BrainScaleS проект, возглавляемый экс-ускоритель-физик Карл-Хайнц Майер в Гейдельбергском университете в Германии, разрабатывает нейроморфные системы, в настоящее время эмулирует 400,000 нейроны работают до 10 000 раз быстрее, чем в режиме реального времени. Это означает, что она потребляет примерно в 10 000 раз больше энергии, чем аналогичные процессы в мозге. Но скорость-это благо для некоторых неврологии исследователей. “Мы можем имитировать день нейронной активности в течение 10 секунд,” Майер говорит.

Фербер и Мейер теперь есть деньги, чтобы добиваться большего и лучшего. Вместе они составляют нейроморфные руку Европейского Союза десять лет, евро 1 млрд ($1,3 млрд) Human Brain Project, который был официально запущен в прошлом месяце. Примерно в 100 млн. евро, посвященная нейроморфные исследования позволят Фербер группы наращивать свою систему, чтобы 500 миллионов электронных нейронов; meier's группа, тем временем, стремится к 4 млн.

Успех этих исследований-ориентированных проектов помогла сток интерес к идее использования нейроморфные оборудования для практических, ультра-низким энергопотреблением применения в устройствах-от телефонов до роботов. До недавнего времени, что не было приоритетным направлением в компьютерной индустрии. Чип дизайнеры могли обычно минимизации потребления энергии за счет упрощения конструкции цепи, или расщепление многопроцессорных вычислений над 'ядра', которые могут выполняться параллельно или выключается, когда они не нужны.

Однако эти подходы могут только достигли многого. С 2008 г., Министерства Обороны США (Defense Advanced Research Projects Agency) потратил более $100 млн, СИНАПС проекта по разработке компактных маломощных нейроморфные технологии. Один из главных подрядчиков проекта cognitive computing group по научно-исследовательского центра IBM в Альмадене, Калифорния, использовали свою долю денег на разработку цифровой, 256-нейрон чипы, которые могут быть использованы в качестве строительных блоков для крупномасштабных систем.

Сила мозга

Boahen проводит свой подход к практического применения, особенно в пока без имени инициативе он начал в апреле. В основе проекта " Spaun " : дизайн компьютерной модели мозга, которая включает частей, отвечающих за зрение, движения и принятия решений. Спаун (Kevin Spaun) опирается на язык программирования для нейронные схемы, разработанной десять лет назад Крис Eliasmith теоретическое, неврологом из университета Ватерлоо в Онтарио, Канада. Пользователь лишь должен указать желаемое нейронных функции генерации инструкций для того, чтобы двигать рукой, например - и Eliasmith система будет автоматически дизайн сети стимулируя нейроны к выполнению этой функции.

Чтобы увидеть, если она будет работать, Eliasmith и его коллеги моделируемых Spaun на обычном компьютере. Они показали, что, с 2,5 млн. моделируемых нейронов плюс имитации сетчатки глаза и руки, он может копировать рукописных цифр, напомним, элементы списка, позаниматься следующий номер в последовательности и выполнять ряд других когнитивных задач⁵. Это беспрецедентный диапазон возможностей моделирования нейронных стандартам, - говорит Boahen. Но Spaun моделирования побежал около 9000 раз медленнее, чем в режиме реального времени, принимая 2,5 часа, чтобы имитировать 1 секунду поведения.

Boahen связался Eliasmith с очевидным предложение: построить физическую версии Спаун (Kevin Spaun) в режиме реального времени нейроморфные оборудования. “Я был очень взволнован”, - говорит Eliasmith, для которого матч казалось безупречным. “У тебя есть арахисовое масло, мы получили шоколад!”

Финансирование от US Office of Naval Research, Boahen и Eliasmith собрали команду, которая планирует построить мелких прототип в течение трех лет и полномасштабной системы в пять. Для сенсорного ввода, они будут использовать нейроморфные сетчатки и cochleas, разработанной в INI, говорит Boahen. Для вывода, они имеют робота-манипулятора. Но когнитивные оборудования будет построен " с нуля". “Это не новая Neurogrid, но в целом новая архитектура”, - говорит он. Он будет торговать определенное количество реализма практичности, опираясь на “очень просто, очень эффективно нейронов, так что мы можем масштабировать для миллионов”.

Система явно предназначены для реальных приложений. На пятилетние сроки, говорит Boahen, “мы считаем, что здание полностью автономных роботов, которые взаимодействуют с окружающей их среде осмысленно, и работать в реальном времени, в то время как [их мозги] потребляют больше электричества, как сотовый телефон”. Такие устройства бы быть гораздо более гибкой и адаптивной, чем сегодня автономных роботов, и будет потреблять гораздо меньше энергии.

В долгосрочной перспективе, Boahen добавляет, проект может проложить путь для компактных маломощных процессоров в любой компьютерной системе, а не только робототехники. Если ученые действительно удалось захватить важнейшие составляющие, которые заставляют мозг настолько эффективным, компактным и прочным, то это может быть спасения отрасли, о запустить в стену, а фишек получают все меньше.

“Но мы не будем знать наверняка,” Boahen говорит, “пока мы не попробуем.”