蓋世汽車訊 據外媒報道，加州大學圣地亞哥分校（University of California San Diego）研究人員開發了新型人工神經元設備，有望使訓練神經網絡執行任務（如圖像識別或自動駕駛汽車導航等）所需的計算能力和硬件更少。與現有基于CMOS的硬件相比，該設備運行神經網絡計算所使用的能量和空間要少100到1000倍。

（圖片來源：https://scitechdaily.com/）

神經網絡是一系列相互連接的人工神經元層，其中一層的輸出為另一層提供輸入。生成輸入通過應用稱作非線性激活函數的數學計算來完成。這是運行神經網絡的關鍵部分，但是由于需要在兩個獨立的單元（內存和外部處理器）之間來回傳輸數據，應用這一功能需要大量的計算能力和電路。

研究人員開發了一種納米大小的設備，可以有效地執行激活功能。加州大學圣地亞哥分校教授Duygu Kuzum表示，“隨著神經網絡模型變得越來越大、越來越復雜，硬件中的神經網絡計算變得越來越低效。我們開發了單一的納米級人工神經元設備，能以一種非常節省空間和能量的方式在硬件上實現計算。”

該裝置實現了神經網絡訓練中最常用的激活功能之一，稱為整流線性單元。這一功能的特別之處在于，需要采用能夠承受電阻逐漸變化的硬件才能工作。而研究人員設計的設備可逐漸從絕緣狀態轉變為導電狀態，而且僅需少量熱量的幫助。這一轉變發生在納米級的二氧化釩層中，被稱為莫特轉變（Mott transition）。在這層之上是由鈦和黃金制成的納米線加熱器，當電流流經納米線時，二氧化釩層會慢慢升溫，導致從絕緣狀態到導電狀態的緩慢的、可控的轉換。

該項研究的第一作者Sangheon Oh解釋稱，“此種設備架構非常有趣和創新。通常情況下，由于電流直接流過材料，莫特轉變的材料會經歷從絕緣到導電的突然轉變。為此，我們讓電流通過材料頂部的納米線來加熱材料，并誘導非常漸進的電阻變化。”

為了部署該裝置，研究人員首先制造了激活（或神經元）裝置陣列，以及突觸裝置陣列。然后，將兩個陣列集成在定制的印刷電路板上，并將它們連接在一起，創建硬件版本的神經網絡。研究人員利用該網絡處理一張圖像，即加州大學圣地亞哥分校蓋澤爾圖書館的圖片。該網絡執行稱作邊緣檢測的圖像處理，識別圖像中物體的輪廓或邊緣。實驗表明，集成硬件系統可以執行卷積操作，這對于許多類型的深度神經網絡是必不可少的。

研究人員表示，“該項技術可以進一步擴展，以完成更復雜的任務，如自動駕駛汽車面部識別和物體識別。Kuzum表示，“目前，這只是一項概念驗證。這是一個很小的系統，我們只在其中堆疊了一個突觸層和一個激活層。將更多層疊加在一起，就可以為不同的應用打造更復雜的系統。”

返回第一電動網首頁 >