CNCC最火论坛干货：神经形态芯片与神经形态计算机

会员服务 ·

CNCC最火论坛干货：神经形态芯片与神经形态计算机

2018 年 10 月 31 日 新智元

新智元报道

编辑：克雷格

【新智元导读】神经形态计算能够大幅提升数据处理能力和机器学习能力，是高性能计算的下一发展阶段。在2018年CNCC大会“神经形态芯片与神经形态计算机”论坛上，陈云霁、汪玉、吴南健、曾毅、唐华锦、赵地等嘉宾做了相关报告，新智元创始兼CEO杨静作为论坛主持人。

以深度学习为代表的人工神经网络是机器学习最重要的方法之一，在云端和终端都有非常广泛的应用。然而传统的CPU和GPU芯片在进行神经网络处理时遇到了严重的性能和能耗瓶颈。

神经形态计算能够大幅提升数据处理能力和机器学习能力，能耗和体积却要小得多，或将引领计算机微型化和人工智能的下一阶段。

目前，神经形态芯片已经进入工程化研发。IBM公司2014年8月所公布的百万神经元级别的TrueNorth芯片，在执行某些任务时，其能效可达传统中央处理器的数百倍，首次与人脑的大脑皮层有了可比之处。

英特尔的首款神经拟态芯片Loihi通过脉冲或尖峰传递信息，并自动调节突触强度，利用环境中的各种反馈信息，进行自主学习、下达命令，也与人类大脑运行机制相似。

在2018年CNCC大会“神经形态芯片与神经形态计算机”论坛上，中科院计算所研究员、智能处理器研究中心主任陈云霁，清华大学电子工程系长聘副教授汪玉，中科院半导体所研究员、中国科学院大学教授吴南健，中科院自动化所研究员、类脑智能研究中心副主任曾毅，四川大学类脑中心主任唐华锦，中科院计算所副研究员赵地先后做了相关报告，新智元创始人兼CEO杨静女士作为特邀嘉宾主持论坛及Panel环节。论坛共同主席为唐华锦、赵地。

在Panel环节上，吴南健、曾毅、唐华锦、赵地以及西南大学电子信息工程学院段书凯教授参与。

根据嘉宾演讲内容，整场论坛大致可分为神经形态芯片、神经形态计算算法以及论坛Panel三部分。以下为论坛精要。

神经形态芯片新思路：ASIC之外的突破

首先是中科院计算所研究员、智能处理器研究中心主任陈云霁的演讲题目为《深度学习专用处理器》。

传统ASIC的思路无法解决深度学习处理的需求，寒武纪主要突破三大矛盾：

1、有限规模的硬件如何解决任意规模的算法；

2、结构固定的硬件怎么应对千变万化的算法；

3、能耗受限的硬件怎么支撑精度优先的算法；

针对上述三个矛盾，寒武纪分别做了以下三个努力：

1、硬件神经元虚拟化。

学术创新：通过分时复用，将有限规模的硬件虚拟成任意大规模的人工神经网络。

关键技术包括：

控制架构：支持硬件神经元的动态冲配置和运行时编程。

访存架构：分离式的输入神经元、输出神经元和突出的片上存储。

2、深度学习指令集。

学术创新：自动化抽取各种深度学习（机器学习）算法共性基本算子，设计首个深度学习指令集来处理这些算法。

关键技术包括：

算子聚类：自动化抽取算法核心片段，基于数据特性聚为少数几类。

运算架构：设计共性神经元电路，支持变精度流水级。

3、稀疏神经网络处理器结构。

学术创新：利用神经网对于计算误差的容忍能力，进行稀疏化神经网络处理，在有限的能耗下实现高精度的智能处理。

随后，清华大学长聘教授汪玉博士做了《基于RRAM的神经网络系统设计与探索》报告。

因为CPU和GPU效率不高，因此要把神经网络应用于更广泛的应用，需要定制硬件。FPGA可以成为神经网络加速的理想平台，因为它是可编程的，与通用处理器相比可以实现更高的能效。

然而，较长的开发周期和传统的FPGA加速性能不足使其无法广泛使用。汪玉介绍了一个完整的设计流程，采用深度压缩和数据量化来利用算法中的冗余并降低计算和存储器复杂性，以实现快速部署和高能效，以加速FPGA上的神经网络。

另一方面，以存算一体化为基础（例如基于RRAM等非易失存器件）的神经网络计算平台设计成为发展方向，报告还介绍了基于RRAM的深度学习处理系统设计，探讨进一步提高能效的机遇与挑战。

RRAM是电阻网络的向量和向量的运算，只要一通电，数据流过，就会出结果，不需要搬数据，所以非常漂亮的一种方式。

但是这种方式真的是好吗？最近几年，这种方式能做出来的芯片都还非常的小。

汪玉团队针对存算一体化系统中的一些关键问题展开研究，特别是数模混合系统的接口设计优化、如何用不可靠的器件设计可靠系统等方面开展大量研究。

接下来，中科院半导体所研究员、中国科学院大学教授吴南健做了《人工视觉系统芯片研究及发展趋势》报告。

人工视觉系统芯片是单芯片集成视觉传感器和视觉并行处理器，能够模仿人类视觉系统的信息并行获取和处理，可实现高速图像获取、传输、学习、记忆、识别和控制。

涉及到的核心技术涉及三点：视觉呈现、视觉信息处理、集成技术。

人工视觉芯片是典型的边缘计算，要求实时处理能力强、功耗低、体积小，非常难设计，但应用前景广泛，吴教授认为，3、4年内应该会大规模应用。

根据视觉获取和处理方法不同，人工视觉系统芯片分为帧驱动和事件驱动视觉芯片。以下为两种芯片的比较：

其中，事件驱动视觉芯片能够检测空间和事件光变化，以事件方式获取信号、处理信号和输出，相对帧驱动视觉芯片，事件驱动视觉芯片还处于起步阶段。

目前，国际上的人工视觉系统芯片最新成果对比：

目前人工智能是计算速度与数据规模提升的结果，机器自我意识何时觉醒？

中国科学院自动化研究所研究员、类脑智能研究中心副主任曾毅做了《类脑智能：从类脑认知引擎到有意识的生命体》的报告。

类脑智能是通过受脑多尺度结构与计算机制启发，探索人类智能本质与人类水平人工智能的重要途径之一。报告从人类的心智是否能够在计算系统中重现等科学问题出发，从人工智能、神经科学、认知科学融合的视角介绍类脑认知引的研究进展。

曾毅认为，目前的人工智能是计算速度与数据规模的提升。在曾毅看来，数据智能与机器智能并不是真正的智能，它们只是看上去很像智能的信息处理，与真正探索智能本质，基于机制的人工智能还相去甚远。

他的演讲着重介绍课题组在大规模多尺度脑神经网络建模与模拟、类脑自主学习与决策及其在无人、机器人领域的应用方面。在此基融上，将进一步探讨机器自我意识的初步探索并展望机器意识与人机社会的未来。

四川大学教授唐华锦教授做了《神经形态计算进展》报告。

与传统人工智能方法不同，神经形态计算主要受神经科学发展推动，是建立在大脑神经电路结构和神经信息处理与神经脉冲计算原理上的新型计算模式，并最终以神经形态硬件方式来实现仿脑的认知计算与低功耗运算。

虽然在神经元和突触层级神经科学已经取得了很大的进展，但神经元之间如何通过网络连接取得复杂认知功能仍然缺乏了解。

唐华锦教授从神经形态认知计算领域需要解决的主要问题出发，介绍如下几个方面内容：神经信息编码、突触可望性与学习算法，以及集成编码与学习的系统模型，并讨论神经形态计算领域的最新进展及展望。

随后，中科院计算所副研究员赵地做了《神经形态计算与医学影像分析》报告。

心电信号检测与分析是心脏疾病患者的重要保障。现有的方法包括机器学习与一维深度学习。然而，现有的方法难以满足心脏疾病患者全天候实时检测高准确率和低能耗的要求。

赵地的研究基于脉冲神经网络，将心电信号的时空特性直接编码到尖峰序到中，通过基于 Izhikevich尖峰神经元的网路进行特征提取，并采用时间以来可塑性(STDP)算法进行优化,对心电信号指示的疾病进行识别。实验结果表明，通过基于类脑计算的算法分析公共ECG数据库和内部临床试验，准确率与能耗远优于现有的方法。