研究团队还运行了基于此芯片的人工神经网络计算机仿真模拟。他们以常用的手写识别数据库中的样本作为仿真模拟测试的输入样品,在测试了成千上万个样本之后,他们发现,这一神经网络硬件系统的识别精度为95%,而现有的软件算法精度为97%。
值得注意的是,这次的成果有望为近年涌现的一个新趋势再添一把火,那就是计算能力从云端向终端迁移。目前我们看到的大多数AI计算,基本是在云端实现的,但是,这个方式正在日显疲软。拿自动驾驶为例,如果避险时AI必须将信息上传至云端,由云端完成计算才能获得处理结果,现实风险是很大的。因此,终端的计算能力对AI的重要性已经得到了学界和业界的共同认可,终端计算性能的提升也成为了万众追逐的目标。一个更明显的例子是AI手机。作为与个人生活场景的全天候连接的智能设备,AI手机对于在终端运行AI计算的需求正在变得更加多元化,例如语音、图像、视频处理等等。但是,作为移动设备,AI 手机所能携带的计算资源有限。
Kim团队成果的重要价值正体现在这里。他们的人造突触设计能实现更小体积的便携式神经网络设备,这些便携式神经网络设备未来将可以完成目前只有大型超级计算机能完成的复杂计算。现在,该团队正在制造一个能真正执行手写识别任务的神经形态芯片。Kim表示,我们最终需要的是一个如同指甲般大小的芯片来代替一个大型超级计算机。而他们的人造突触这一发现为实现神经网络硬件化打下了坚实的基础。
参考:http://news.mit.edu/2018/engineers-design-artificial-synapse-brain-on-a-chip-hardware-0122
参考文献:
[1] Flexible three-dimensional artificial synapse networks with correlated learning and trainable memory capability. Chaoxing Wu, Tae Whan Kim, Hwan Young Choi, Dmitri B. Strukov & J. Joshua Yang. 2017