7月22日消息，荷蘭埃因霍溫理工大學(xué)的研究人員開發(fā)了一種能夠進(jìn)行片上訓(xùn)練的設(shè)備，無需將訓(xùn)練好的模型傳輸?shù)叫酒希瑥亩谖磥黹_辟了更節(jié)能的人工智能（AI）芯片。

據(jù)了解，該開發(fā)使用神經(jīng)形態(tài)架構(gòu)，但已適應(yīng)主流人工智能框架，而不是脈沖網(wǎng)絡(luò)。訓(xùn)練神經(jīng)形態(tài)網(wǎng)絡(luò)可能很乏味、耗時(shí)且能源效率低下，因?yàn)槟Ｐ屯ǔＪ紫仍谟?jì)算機(jī)上訓(xùn)練，然后傳輸?shù)叫酒稀?/p>

“在神經(jīng)形態(tài)芯片中，有憶阻器。這些電路設(shè)備可以'記住'過去有多少電荷流過它們。”TU/e.機(jī)械工程系副教授Yoeri Van de Burgt說，他與Evaline van Doremaele合作參與了該項(xiàng)目。“而這正是以大腦神經(jīng)元如何存儲信息和相互通信為模型的設(shè)備所需要的。”

在計(jì)算機(jī)上完成訓(xùn)練后，來自網(wǎng)絡(luò)的權(quán)重被映射到芯片硬件。另一種方法是在原位或硬件中進(jìn)行訓(xùn)練，但當(dāng)前設(shè)備需要逐個(gè)編程，然后進(jìn)行錯(cuò)誤檢查。這是必需的，因?yàn)榇蠖鄶?shù)憶阻器都是隨機(jī)的，如果不檢查設(shè)備，就不可能更新設(shè)備。

“這些方法在時(shí)間、能源和計(jì)算資源方面成本高昂。為了真正利用神經(jīng)形態(tài)芯片的能源效率，需要直接在神經(jīng)形態(tài)芯片上進(jìn)行訓(xùn)練，“Van de Burgt說。

對于研究人員來說，主要的挑戰(zhàn)是將芯片上訓(xùn)練所需的關(guān)鍵組件集成到單個(gè)神經(jīng)形態(tài)芯片上。

“例如，要解決的一項(xiàng)主要任務(wù)是包含電化學(xué)隨機(jī)存取存儲器（EC-RAM）組件，”Van de Burgt說。“這些是模仿大腦中神經(jīng)元的電荷儲存和發(fā)射的組件。

研究人員制造了一個(gè)基于由有機(jī)材料制成的EC-RAM組件的兩層神經(jīng)網(wǎng)絡(luò)，并通過廣泛使用的訓(xùn)練算法反向傳播和梯度下降的演變來測試硬件。

反向傳播算法的硬件實(shí)現(xiàn)使用原位隨機(jī)梯度下降逐步更新每一層，避免了存儲要求。該設(shè)計(jì)包括原位誤差計(jì)算和多層硬件實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)中的漸進(jìn)式反向傳播方法。與軟件中的傳統(tǒng)反向傳播相比，這具有相同的學(xué)習(xí)特性和分類性能，研究人員表明，它可以擴(kuò)展到大型和深度神經(jīng)網(wǎng)絡(luò)，從而實(shí)現(xiàn)人工智能系統(tǒng)的高效訓(xùn)練。

“我們已經(jīng)證明這適用于小型兩層網(wǎng)絡(luò)，”van de Burgt說。“接下來，我們希望讓工業(yè)界和其他大型研究實(shí)驗(yàn)室參與進(jìn)來，這樣我們就可以建立更大的硬件設(shè)備網(wǎng)絡(luò)，并用現(xiàn)實(shí)生活中的數(shù)據(jù)問題來測試它們。

下一步將使研究人員能夠證明這些系統(tǒng)在訓(xùn)練以及運(yùn)行有用的神經(jīng)網(wǎng)絡(luò)和人工智能系統(tǒng)方面非常有效。“我們希望將這項(xiàng)技術(shù)應(yīng)用于幾個(gè)實(shí)際案例，”Van de Burgt說。“我的夢想是讓這些技術(shù)在未來成為人工智能應(yīng)用的常態(tài)。