“研究人员开发新型人工神经元设备 有望减少自动驾驶所需计算能力和硬件”

根据盖亚汽车信息，加州大学圣地亚哥分校( university of california san diego )的研究人员将减少训练图像识别和自动驾驶汽车导航等神经网络任务所需的计算能力和硬件 该装置与现有的基于cmos的硬件相比，执行神经互联网计算所使用的能量和空之间少100~1000倍。

(图像来源: scitechdaily/)

互联网是一系列相互连接的人工神经元层，一层的输出向另一层提供输入。 输入通过应用被称为非线性激活函数的数学计算进行。 这是运行神经互联网的重要部分，但需要在内存和外部解决方案这两个独立的单元之间传输数据，因此应用该功能需要很多计算能力和电路。

研究人员开发了纳米尺寸的装置，使之能够比较有效地执行激活功能。 加州大学圣地亚哥分校教授duygu kuzum说:“随着神经网络模型越来越大、越来越复杂，硬件中的神经网络计算越来越低效。 我们开发了单一纳米级的人工神经元装置，可以用空间和非常节约能源的方法在硬件上实现计算。 ”

该装置实现了被称为整流线性单元的神经网络训练中最常用的激活功能之一。 这个功能的特别之处在于，需要使用能够承受电阻变化的硬件来工作。 研究人员设计的设备可以从绝缘状态逐渐变化为导电状态，而且只需要少量的热援助。 这种转变发生在纳米级二氧化钒层上，被称为莫特转变。 在这一层上面是由钛和金制成的纳米线加热器，当电流通过纳米线时，二氧化钒层逐渐升温，从而引起从绝缘状态到导电状态的缓慢、可控的转换。

该研究的第一作者sangheonoh说:“这种设备结构非常感兴趣，具有创新性。 一般来说，由于电流直接流过材料，莫特转变的材料会经历从绝缘到导电的突然转变。 因此，材料上部的纳米线通过电流加热材料，诱导了非常渐进的电阻变化。 ”

为了引进这个装置，研究人员首先制造了激活(或神经元)装置阵列和突触装置阵列。 然后，将两个阵列集成到定制的印刷电路板中，然后将它们连接起来，创建硬件版本的神经互联网。 研究人员利用这个网络解决了加州大学圣地亚哥分校盖塞尔图书馆的照片。 该互联网执行被称为边缘检测的图像解决，识别图像中的物体的轮廓和边缘。 实验表明，集成硬件系统可以执行卷积操作，它对多种类型的深度神经互联网是不可缺少的。

研究人员表示，“这项技术可以进一步扩展，以完成自动驾驶汽车的脸部识别和物体识别等更多复杂的任务。 kuzum说:“目前，这只是概念验证。 这是一个小系统，只有突触层和活化层层叠。 通过层叠越来越多的层，可以根据各种APP应用制作出更多复杂的系统。 ”