总结

1.1 项目目标

该项目的目标是大幅推进人工智能（AI）的现状。作为实现这一目标的主要方法，我们增加对生物智能基础机制的理解。我们避免那些可能看起来很聪明，但实际上是硬编码的、不聪明的方法和系统。目前的许多系统给人以智能的感觉；然而，这些系统不能适应不断变化的环境，也不能真正解释和根据输入做出决定。能够实现灵活适应和决策的系统代表了计算机技术的未来，是这个高级人工智能项目的目标。

这项工作建立了能源意识神经计算机，以解决今天的人工智能技术无法解决的问题。成功完成这项工作可以超越最先进的人工智能，其代表是深度学习（DL）。在DL的整体问题设置中，资源限制往往被忽略，或者说是次要的。深度学习通常需要大量的数据/时间/参数/能源/计算能力，而这些在各种场景下都不是现成的。目标应用包括根据不完整和不同的信息对紧急情况作出快速反应，在物理损坏或资源限制的情况下支持优雅的退化，以及在嘈杂和混乱的背景下进行实时语音识别。

尽管项目经理从第二年开始大幅削减项目预算，并要求取消一些任务，重组其他任务，并完全删除这个四年期项目的最后一年，但在第一年至第三年期间，已经按计划完成了一些突破性的成果。下面我们总结一下这些具有突破性成果的领域。

1.2 主要突破性成果

1.2.A 开发了一种新型能量感知振荡存储器阵列 (CAN)

开发了一种能源意识的计算模式，它是基于大脑结构和运作的耦合CAN（毛细血管收缩细胞-神经元）阵列。CAN阵列可作为新型动态记忆设备的基本构件。

建立了一个CAN单元的耦合阵列。产生集体行为，如同步活动和特定窄带振荡频率下的协调发射。根据振荡器之间的连接强度来调节集体振荡的频率，并实施了一个相关的学习规则。开发了评估计算能源效率的指标。在努力构建人工智能设备，使其能够在与人类性能相匹配的水平上完成感知、运动和认知任务的过程中，衡量效率的一个重要标准是与大脑相比的耗电量。CAN阵列的这一特性是缓解当今计算机计算需求成倍增长的一个关键因素，因为在实现类似人类性能的目标时，计算机面临着摩尔定律的限制。

1.2.B 建立了振荡神经记忆的软件框架（BindsNET）

创建了BindsNET软件平台，利用PyTorch框架，提供了一个统一的环境，利用能源意识的计算和动态记忆原理，构建分层计算解决方案。

BindsNet基于尖峰神经计算单元，这些单元按照复杂度不断增加的层次结构连接，并使用无监督、强化和监督学习进行训练。BindsNET资源库已在GitHub上作为一个开放源码发布。除了源代码之外，我们还让它很容易使用pip包管理器进行安装，以满足一系列的实际应用。BindsNET已经被扩展到使用卷积网络、模式匹配、强化学习、Q学习和多层架构的深度学习来解决高级AI机器学习任务。除了标准的图像识别任务，BindsNET还开发了管道，以解决动态变化环境中的挑战。

1.2.C 应用BindsNET解决实际重要的人工智能任务，其结果与世界上最重要的人工智能的性能相匹配，甚至超越。

使用BindsNET平台实现了尖峰网络的局部和全局学习。表明我们的结果与现有的方法处于同一水平，或在某些情况下优于现有的方法。

在软件平台上整合了各种局部（无监督）和全局（有监督）的学习规则，并将它们结合起来，以实现更好的性能。将传统的深度学习（DL）网络转换为尖峰神经网络（SNN），并证明SNN可用于强化学习范式。在几个人工智能问题中实施了所开发的学习方法，如分类和计算机游戏。结果表明，尽管在网络组件的模拟上做了重大的简化，但我们的实现还是达到了与现有技术水平类似的性能。重要的是，与顶级的深度学习解决方案相比，我们基于SNN的方法产生了更好的稳健性。

成为VIP会员查看完整内容