神經形態系統的通用學習算法及其電路與光學實現

《神經形態系統的通用學習算法及其電路與光學實現》是依託北京大學，由任全勝擔任負責人的面上項目。

基本介紹

• 中文名：神經形態系統的通用學習算法及其電路與光學實現
• 項目負責人：任全勝
• 項目類別：面上項目
• 依託單位：北京大學

項目摘要

神經形態系統通過電子或光學器件模擬生物神經元、突觸及腦運算原理。由此可加深對腦的理解並發展出類腦的新型計算機。美歐已開發出多種電子或光子神經形態系統，它們在實現原理、逼真度、可配置性、容量、運算精度與速度等方面存在諸多差異。國際上適用於多種神經形態系統的通用學習算法的研究才剛起步，現有研究多著眼於特定硬體系統的功能驗證，且缺乏機器智慧型方面的套用。本項目從神經信號處理機制出發，借鑑計算神經科學的相關算法思想，研究適用於多種神經形態硬體系統的通用學習算法，並探索基於腦皮層視聽覺信息處理機制的神經形態計算體系，以實現基本的機器智慧型。採取三個主流的技術路線，分別開發一套FPGA矽神經形態系統，一套基於飛秒雷射器和SOA等光器件的光子神經形態系統，及一套憶阻器神經形態網路仿真系統。通過這些實驗平台研究學習算法的有效性和通用性，實現機器智慧型的套用；並結合不同平台的優勢，在理論與實驗方面做出創新性研究。

結題摘要

本項目分別從套用性、創新性、超越性三個層面開展了適用於多種神經形態硬體系統的通用學習算法研究及其在電路與光學神經形態系統上的實現：在套用性方面，我們將脈衝化的卷積神經網路定位為通用深度學習算法，利用STDP突觸學習研究了基於IF神經元的脈衝化CNN、DBN、CDBN的訓練過程，在MNIST數據集上實現了98.3%的識別率，使得神經形態系統能夠勝任深度學習網路所能夠完成的任務。我們將訓練好的脈衝卷積神經網路在FPGA上進行了實現，並實時處理每秒4萬次採樣的仿視網膜晶片輸出數據，已實現在2米距離遠對以100公里/小時飛馳而過的目標的實時智慧型識別，這等效於在500米遠對6.75km/s的運動目標進行識別，該類腦視覺技術在工業4.0、自動駕駛、智慧型監控等領域可有廣泛套用。在創新性方面，我們以光子神經形態系統為平台，基於分立器件搭建了光學STDP突觸，基於可集成器件模型搭建了光子神經元系統的仿真平台，借鑑生物系統中多巴胺調製STDP突觸的機制，研究了基於獎勵調製的光學STDP強化學習算法；將STDP突觸強度可塑性引入到突觸延時可塑性，研究了脈衝序列的模式識別算法，可實現三個以上光子脈衝的模式序列識別；將神經形態工程的基準測試算法平台——神經工程框架（NEF）引入可集成光學神經擬態系統中，可實現等值、平方、積分這NEF的三個基本運算，分別對應於神經表征、表征轉換、神經動態這NEF的三個基本規則，仿真研究表明，相比歐盟SpiNNaker電神經擬態系統運算NEF這三個基本運算要快5~6個數量級。在超越性方面，我們並未止步於類腦計算和跨平台的通用學習算法這個既定研究目標，在後期開始致力於通用人工智慧研究，綜合更多神經科學發現及證據，研究更加完善的經典或量子大腦皮層信息處理機制。在項目執行期間，量子生物學特別是量子腦理論方興未艾，這將為類腦計算的立論邏輯帶來很大的挑戰與影響，而電子或原子核的自旋在其中起了核心角色，我們以量子力學自旋AB效應為切入點，研究兩種手性螺旋極化對生物體內普遍存在的有序水的不同影響，發現了手性破缺現象。