10种有害物质的神经形态芯片是什么样的 闻出 能 (10种有害物质有哪些)
雷锋网消息,英特尔和康奈尔大学今天发表了一份联合论文,展示了英特尔的神经形态芯片Loihi的新能力:它能够从气味中学习和识别10种有害物质——即使存在“显着的”数据噪声和遮挡的情况。
合著者说,它表明了神经形态计算技术可用于检测爆炸物、麻醉品、聚合物等的前体气味物质。
这项研究本周发表在杂志《自然·机器智能》(Nature Machine intelligence)上,英特尔和康奈尔大学的有关研究人员利用72个化学传感器对不同气味做出反应的数据集,通过配置生物嗅觉的电路图来描述如何“教会”Loihi“闻味道”。
他们说,他们的技术不会破坏芯片的气味记忆;与以往最先进的传统方法相比,它具有“优异的”识别精度,其中包括的机器学习解决方案,需要每级的训练样本数量多3000倍才能达到相同级别的分类精度。
英特尔神经形态计算实验室高级研究科学家Nabil Imam认为,这项研究将为神经形态系统铺平道路,该系统可以诊断疾病,检测武器和爆炸物,发现毒品以及发现烟雾和一氧化碳的迹象。
他在一份声明中说:“我们正在开发Loihi上的神经算法,它可以模拟人类闻到什么东西时大脑里发生的事情。” 他还表示,“这项工作是当代神经科学和人工智能研究进行到十字路口的一个典范,并证明了Loihi提供重要感知功能的潜力,这可能会使各行各业受益。”
神经形态工程,也称为神经形态计算,描述了模仿神经系统神经生物学结构的电路使用。英特尔、IBM、惠普、麻省理工学院、普渡大学、斯坦福大学和其他机构的研究人员希望利用它来开发超级计算机,预计的功能或许比现在的任何计算机都要强大一千倍。
英特尔的14纳米Loihi芯片具有60毫米的管芯尺寸,包含超过20亿个晶体管,13万个人工神经元和1.3亿个突触,以及三个用于协调的可管理Lakemont内核。
Loihi的独特之处在于,他有一个可编程微代码引擎,用于异步尖峰神经网络(SNN)或AI模型的片上训练,该模型将时间整合到其操作模型中,因此模型的组件不会同时处理输入数据。英特尔声称,这将用于“高效”地实施自适应自我修改、事件驱动和细粒度的并行计算。
根据英特尔的说法,Loihi的信息处理速度比传统处理器快1000倍,效率高10,000倍,并且可以解决某些类型的优化问题,其速度和能源效率提高了三个数量级以上。
此外,Loihi保持实时性能结果,在扩展50倍时仅使用30%的电能(而传统硬件多消耗500%的电能),与广泛使用的cpu运行同时定位和映射方法相比,它消耗的电能大约少100倍。
除了神经形态计算领域外,Google、加拿大高级研究所、矢量人工智能研究所、多伦多大学、亚利桑那州立大学等机构的科研人员,已经研究了用人工智能方法来解决分子识别和气味预测问题。Google最近展示了一个模型,它比最先进的方法和来自“梦想嗅觉预测挑战”(一项描绘气味化学特性的竞赛)的表现最好的模型还要出色。
另外,IBM还开发了Hypertaste,这是一种“人造舌头”,可以识别“不太适合摄入”的饮料和其他液体。
《 Intel trains neuromorphic chip to detect 10 different odors 》
原创文章,未经授权禁止转载。详情见 转载须知 。