0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

SpiNNaker為模擬大規(guī)模神經(jīng)網(wǎng)絡(luò)提供高性能平臺

EdXK_AI_News ? 來源:未知 ? 作者:胡薇 ? 2018-08-09 10:06 ? 次閱讀

科研人員利用一個名為SpiNNaker的神經(jīng)形態(tài)計算機(jī)開展大腦仿真實驗,取得的效果與利用傳統(tǒng)超級計算機(jī)進(jìn)行仿真獲取的最佳效果不相上下。

該研究由德國于利希研究中心(Jülich Research Centre)聯(lián)合英國曼徹斯特大學(xué)(University of Manchester)、日本理研腦科學(xué)研究所(RIKEN Brain Institute)、德國亞琛工業(yè)大學(xué)(Aachen University)共同開展。他們在《神經(jīng)科學(xué)前沿》(Frontiers in Neuroscience)發(fā)表的一篇文章中表示已實現(xiàn)了“在SpiNNaker上對腦皮質(zhì)微神經(jīng)網(wǎng)絡(luò)生物時間標(biāo)度水平的首次全范圍仿真”,研究構(gòu)建的模型由8萬個神經(jīng)元和3億個突觸組成,是在該平臺上進(jìn)行的最大規(guī)模仿真。

SpiNNaker旨在為實時模擬大規(guī)模神經(jīng)網(wǎng)絡(luò)提供高性能平臺。第一版系統(tǒng)于2009年建成。在當(dāng)前版本,SpiNNaker擴(kuò)展到600塊板,每一塊都配備了1、4或者48個Arm 968芯片。該芯片有18個核,由分組交換異步通信網(wǎng)絡(luò)連接起來,一塊128MB SDRAM模安裝在處理器上。

“大腦皮層是大腦中接收和出來感官信息的外層。SpiNNaker可以支持大腦皮層的詳細(xì)生物模型,得到的結(jié)果與相當(dāng)超級計算機(jī)軟件仿真的結(jié)果很相近?!毖芯咳藛T說,“快速低能耗地運(yùn)行大規(guī)模詳細(xì)的神經(jīng)網(wǎng)絡(luò),這種能力會推進(jìn)機(jī)器人研究,有助于學(xué)習(xí)和大腦障礙方面的研究。”

本研究提高了系統(tǒng)軟件性能,將神經(jīng)網(wǎng)絡(luò)仿真擴(kuò)展到多塊板,從而達(dá)到最新的高標(biāo)準(zhǔn)。為此,研究人員利用了SpiNNaker的六塊48-芯片板,總計217個Arm 968 SoC和1934個核。這還不到該系統(tǒng)總計算能力的百分之一。

為進(jìn)行比較,研究人員在32節(jié)點HPC集群上運(yùn)行尖峰神經(jīng)網(wǎng)絡(luò)的NEST仿真軟件,由英特爾至強(qiáng)(Xeon)E5-2680v3處理器(以2.5GHz運(yùn)行的12核)支持。每個節(jié)點包含了兩個處理器、128 GB RAM、240 GB 本地 SSD 存儲,系統(tǒng)的互連為QDR InfiniBand。

該研究表明,SpiNNaker仿真和在HPC集群利用NEST的系統(tǒng)仿真準(zhǔn)確性相近,但SpiNNaker僅限于定點運(yùn)算。雖然NEST上運(yùn)行的仿真比SpiNNaker的更快,但兩個平臺每個突觸事件的耗能具有可比性?!皟蓚€平臺運(yùn)行的仿真得到結(jié)果很相近?!毖芯咳藛T說,“這是大腦皮層的詳細(xì)仿真首次在SpiNNaker或者任何神經(jīng)形態(tài)平臺運(yùn)行?!?/p>

研究人員還指出,該研究的結(jié)果將用于改進(jìn)軟件,讓等效仿真能在單塊板上運(yùn)行。能做到這一點意義重大,因為這是最可能用于機(jī)器人控制的配置。事實上,歐洲人類腦計劃(European Human Brain Project)的神經(jīng)機(jī)器人學(xué)家已與SpiNNaker項目合作,希望可將其用于獨(dú)立機(jī)器人。

這些機(jī)器人應(yīng)用旨在構(gòu)建平臺,消耗目前超級計算機(jī)的一小部分能源就可以進(jìn)行實時大腦仿真。理想情況下,能耗相當(dāng)于實際大腦的20至30瓦水平。本研究表明,SpiNNaker這類神經(jīng)形態(tài)系統(tǒng)的發(fā)展可能會成為實現(xiàn)大腦仿真的最實際途徑。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴

原文標(biāo)題:神經(jīng)形態(tài)計算成為大腦仿真最佳平臺之一

文章出處:【微信號:AI_News,微信公眾號:人工智能快報】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的關(guān)系

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是兩種在人工智能和機(jī)器學(xué)習(xí)領(lǐng)域
    的頭像 發(fā)表于 07-10 15:24 ?1511次閱讀

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的區(qū)別

    BP神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,簡稱ANNs)之間的關(guān)系與區(qū)別,是神經(jīng)網(wǎng)絡(luò)領(lǐng)域中一個基礎(chǔ)且重要的話題。本文將從定義、結(jié)構(gòu)、算法、應(yīng)用及未來發(fā)展等多個方面,詳細(xì)闡述BP
    的頭像 發(fā)表于 07-10 15:20 ?1071次閱讀

    rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò)

    RNN(Recurrent Neural Network)是循環(huán)神經(jīng)網(wǎng)絡(luò),而非遞歸神經(jīng)網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種具有時間序列特性的神經(jīng)網(wǎng)絡(luò),能夠處理序列數(shù)據(jù),具有記憶功能。以下是關(guān)于循環(huán)
    的頭像 發(fā)表于 07-05 09:52 ?577次閱讀

    人工神經(jīng)網(wǎng)絡(luò)模型的分類有哪些

    人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks, ANNs)是一種模擬人腦神經(jīng)元網(wǎng)絡(luò)的計算模型,它在許多領(lǐng)域,如圖像識別、語音識別、自然語言處理、預(yù)測分析等有著廣泛的應(yīng)用。本文將
    的頭像 發(fā)表于 07-05 09:13 ?1211次閱讀

    遞歸神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)

    遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡稱RNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,簡稱RNN)實際上是同一個概念,只是不同的翻譯方式
    的頭像 發(fā)表于 07-04 14:54 ?759次閱讀

    循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的區(qū)別

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)是深度學(xué)習(xí)領(lǐng)域中兩種非常重要的神經(jīng)網(wǎng)絡(luò)
    的頭像 發(fā)表于 07-04 14:24 ?1295次閱讀

    深度神經(jīng)網(wǎng)絡(luò)與基本神經(jīng)網(wǎng)絡(luò)的區(qū)別

    在探討深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNNs)與基本神經(jīng)網(wǎng)絡(luò)(通常指傳統(tǒng)神經(jīng)網(wǎng)絡(luò)或前向神經(jīng)網(wǎng)絡(luò))的區(qū)別時,我們需要從多個維度進(jìn)行深入分析。這些維度包括
    的頭像 發(fā)表于 07-04 13:20 ?874次閱讀

    人工智能神經(jīng)網(wǎng)絡(luò)芯片的介紹

    人工智能神經(jīng)網(wǎng)絡(luò)芯片是一類專門深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法設(shè)計的處理器。它們具有高性能、低功耗、可擴(kuò)展等特點,廣泛應(yīng)用于圖像識別、語音識別、自然語言處理等領(lǐng)域。以下是關(guān)于人工智能
    的頭像 發(fā)表于 07-04 09:33 ?765次閱讀

    反向傳播神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    反向傳播神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network,簡稱BP神經(jīng)網(wǎng)絡(luò))是一種多層前饋神經(jīng)網(wǎng)絡(luò),它通過反向傳播算法來調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置,以達(dá)到最小化誤差的
    的頭像 發(fā)表于 07-03 11:00 ?806次閱讀

    bp神經(jīng)網(wǎng)絡(luò)是深度神經(jīng)網(wǎng)絡(luò)

    Network)有相似之處,但它們之間還是存在一些關(guān)鍵的區(qū)別。 一、引言 神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元結(jié)構(gòu)的計算模型,它由大量的神經(jīng)元(或稱為節(jié)點)組成,這些神經(jīng)元通過權(quán)重連接在一起
    的頭像 發(fā)表于 07-03 10:14 ?848次閱讀

    bp神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)區(qū)別是什么

    BP神經(jīng)網(wǎng)絡(luò)(Backpropagation Neural Network)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,簡稱CNN)是兩種不同類型的人工神經(jīng)網(wǎng)絡(luò),它們在
    的頭像 發(fā)表于 07-03 10:12 ?1184次閱讀

    BP神經(jīng)網(wǎng)絡(luò)激活函數(shù)怎么選擇

    中,激活函數(shù)起著至關(guān)重要的作用,它決定了神經(jīng)元的輸出方式,進(jìn)而影響整個網(wǎng)絡(luò)性能。 一、激活函數(shù)的作用 激活函數(shù)是BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元的核心
    的頭像 發(fā)表于 07-03 10:02 ?696次閱讀

    卷積神經(jīng)網(wǎng)絡(luò)和bp神經(jīng)網(wǎng)絡(luò)的區(qū)別

    不同的神經(jīng)網(wǎng)絡(luò)模型,它們在結(jié)構(gòu)、原理、應(yīng)用等方面都存在一定的差異。本文將從多個方面對這兩種神經(jīng)網(wǎng)絡(luò)進(jìn)行詳細(xì)的比較和分析。 引言 神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元連接和信息傳遞的計算模型,它
    的頭像 發(fā)表于 07-02 14:24 ?3956次閱讀

    神經(jīng)網(wǎng)絡(luò)在數(shù)學(xué)建模中的應(yīng)用

    數(shù)學(xué)建模是一種利用數(shù)學(xué)方法和工具來描述和分析現(xiàn)實世界問題的過程。神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元結(jié)構(gòu)和功能的計算模型,可以用于解決各種復(fù)雜問題。在數(shù)學(xué)建模中,神經(jīng)網(wǎng)絡(luò)可以作為一種有效的工具,幫助我們更好
    的頭像 發(fā)表于 07-02 11:29 ?947次閱讀

    韓國開發(fā)出大規(guī)模人工神經(jīng)網(wǎng)絡(luò)硬件技術(shù)

    借助hBN這種二維材料的優(yōu)質(zhì)性能,該團(tuán)隊成功地實現(xiàn)了高集成度與超低功耗。他們精心設(shè)計的人工神經(jīng)元及突觸器件,在簡化結(jié)構(gòu)并提高網(wǎng)絡(luò)可擴(kuò)展性的同時,更具優(yōu)越的處理能力。此舉將為大規(guī)模
    的頭像 發(fā)表于 01-26 09:55 ?591次閱讀
    韓國開發(fā)出<b class='flag-5'>大規(guī)模</b>人工<b class='flag-5'>神經(jīng)網(wǎng)絡(luò)</b>硬件技術(shù)