神经形态系统的通用学习算法及其电路与光学实现

Neuromorphic systems emulate biological neurons, synapses and the principle of brain computations by electronic and optical devices, to further our understanding of the brain and develop brain-like computer. Institutes in America and Europe have developed various electronic and optical neuromorphic systems. There are differences among these systems in many aspects, such as implementation method, fidelity, configurability, capacity, computation precision and speed. The study of general learning algorithms that apply to different neuromorphic systems is just getting started. Existing researches mainly focus on functional verification tests of certain hardware system, while lack applications in artificial intelligence. Starting from the processing mechanism of neuronal spikes and borrowing relevant algorithm ideas from computational neuroscience, our project will study general learning algorithms that apply to different neuromorphic hardware systems, and explore neuromorphic computing architecture based on the visual and auditory information processing mechanism of neocortex, in order to achieve basic artificial intelligence. We will also implement a FPGA(Field Programmable Gate Array)-based neuromorphic system, a photonic neuromorphic system based on optical devices such as femtosecond laser and SOA(Semiconductor Optical Amplifier), as wall as a simulation system of a memristive neuromorphic network, which correspond to three mainstreams of technology roadmap respectively. By means of these three experimental platforms, we could study the validity and universality of the learning algorithms we proposed, and explore applications of neuromorphic intelligence. We will also carry out several innovative researches, which are relevant to the advantages of different hardware systems respectively, from the two aspects of theoretical analysis and experimental design.

神经形态系统通过电子或光学器件模拟生物神经元、突触及脑运算原理。由此可加深对脑的理解并发展出类脑的新型计算机。美欧已开发出多种电子或光子神经形态系统，它们在实现原理、逼真度、可配置性、容量、运算精度与速度等方面存在诸多差异。国际上适用于多种神经形态系统的通用学习算法的研究才刚起步，现有研究多着眼于特定硬件系统的功能验证，且缺乏机器智能方面的应用。本项目从神经信号处理机制出发，借鉴计算神经科学的相关算法思想，研究适用于多种神经形态硬件系统的通用学习算法，并探索基于脑皮层视听觉信息处理机制的神经形态计算体系，以实现基本的机器智能。采取三个主流的技术路线，分别开发一套FPGA硅神经形态系统，一套基于飞秒激光器和SOA等光器件的光子神经形态系统，及一套忆阻器神经形态网络仿真系统。通过这些实验平台研究学习算法的有效性和通用性，实现机器智能的应用；并结合不同平台的优势，在理论与实验方面做出创新性研究。

本项目分别从应用性、创新性、超越性三个层面开展了适用于多种神经形态硬件系统的通用学习算法研究及其在电路与光学神经形态系统上的实现：在应用性方面，我们将脉冲化的卷积神经网络定位为通用深度学习算法，利用STDP突触学习研究了基于IF神经元的脉冲化CNN、DBN、CDBN的训练过程，在MNIST数据集上实现了98.3%的识别率，使得神经形态系统能够胜任深度学习网络所能够完成的任务。我们将训练好的脉冲卷积神经网络在FPGA上进行了实现，并实时处理每秒4万次采样的仿视网膜芯片输出数据，已实现在2米距离远对以100公里/小时飞驰而过的目标的实时智能识别，这等效于在500米远对6.75km/s的运动目标进行识别，该类脑视觉技术在工业4.0、自动驾驶、智能监控等领域可有广泛应用。在创新性方面，我们以光子神经形态系统为平台，基于分立器件搭建了光学STDP突触，基于可集成器件模型搭建了光子神经元系统的仿真平台，借鉴生物系统中多巴胺调制STDP突触的机制，研究了基于奖励调制的光学STDP强化学习算法；将STDP突触强度可塑性引入到突触延时可塑性，研究了脉冲序列的模式识别算法，可实现三个以上光子脉冲的模式序列识别；将神经形态工程的基准测试算法平台——神经工程框架（NEF）引入可集成光学神经拟态系统中，可实现等值、平方、积分这NEF的三个基本运算，分别对应于神经表征、表征转换、神经动态这NEF的三个基本规则，仿真研究表明，相比欧盟SpiNNaker电神经拟态系统运算NEF这三个基本运算要快5~6个数量级。在超越性方面，我们并未止步于类脑计算和跨平台的通用学习算法这个既定研究目标，在后期开始致力于通用人工智能研究，综合更多神经科学发现及证据，研究更加完善的经典或量子大脑皮层信息处理机制。在项目执行期间，量子生物学特别是量子脑理论方兴未艾，这将为类脑计算的立论逻辑带来很大的挑战与影响，而电子或原子核的自旋在其中起了核心角色，我们以量子力学自旋AB效应为切入点，研究两种手性螺旋极化对生物体内普遍存在的有序水的不同影响，发现了手性破缺现象。

内容获取失败，请点击重试