英特尔训练神经形态芯片来检测10种不同的气味

英特尔和康奈尔大学今天发表了一份联合论文，证明了英特尔的神经形态芯片Loihi能够从气味中学习和识别10种有害物质，即使存在“大量”数据噪声和遮挡的情况。它表明了神经形态计算可用于检测爆炸物，麻醉品，聚合物等的前体气味。

在本周发表在《自然机器智能》杂志上的这项研究中，英特尔和康奈尔大学的研究人员通过配置生物嗅觉的电路图来描述“教学”Loihi气味，该电路图来自一个由72个化学传感器对各种气味的反应活动组成的数据集。他们说，他们的技术没有破坏芯片对气味的记忆，而且与传统的最先进的方法相比，该技术实现了“卓越”的识别精度，包括一种机器学习解决方案，每堂课需要3000倍的训练样本才能达到相同的分类精度。

英特尔（Intel）神经形态计算实验室高级研究科学家纳比尔伊玛姆（Nabil Imam）认为，这项研究将为神经形态系统铺平道路，这些系统可以诊断疾病、探测武器和爆炸物、发现麻醉品，以及发现烟雾和一氧化碳的迹象。

他在一份声明中说：“我们正在开发Loihi上的神经算法，模拟你闻到东西时大脑中发生的事情。”“这项工作是当代神经科学和人工智能交叉点研究的一个主要例子，并证明了Loihi有潜力提供重要的感知能力，可以造福于各个行业。”

神经形态工程，也称为神经形态计算，描述了电路的使用，模拟神经系统的神经生物结构。英特尔、IBM、惠普、麻省理工学院、普渡大学、斯坦福大学等公司的研究人员希望利用它开发出比当今任何一台超级计算机都强大一千倍的超级计算机。

英特尔的14纳米Loihi芯片具有60毫米的管芯尺寸，包含超过20亿个晶体管，13万个人工神经元和1.3亿个突触，以及三个用于编排的可管理Lakemont内核。Loihi的独特之处在于，它提供了一个可编程的微码引擎，用于异步尖峰神经网络(SNNs)或人工智能模型的片内训练，这些模型将时间整合到其操作模型中，这样模型的组件就不会同时处理输入数据。Intel宣称，这将用于自适应自修改、事件驱动和细粒度并行计算的实现，“具有很高的效率”。

根据Intel的说法，Loihi处理信息的速度比传统处理器快1000倍，效率比传统处理器高10000倍，并且它可以解决某些类型的优化问题，在速度和能源效率方面获得三个数量级以上的收益。此外，Loihi保持实时性能结果，并且在扩展50倍时仅多消耗30%的电能(而传统硬件多消耗500%的电能)，并且与广泛使用的cpu运行的同时定位和映射方法相比，它消耗的电能大约少100倍。

在神经形态计算领域之外，谷歌、加拿大高级研究所、人工智能矢量研究所、多伦多大学、亚利桑那州立大学等机构的研究人员已经研究了人工智能方法来解决分子识别和气味预测的问题。谷歌最近展示了一种模型，它比最先进的方法和来自“梦想嗅觉预测挑战”的表现最好的模型更出色。“梦想嗅觉预测挑战”是一项描绘气味化学特性的竞赛。

另外，IBM还开发了Hypertaste，这是一种“人造舌头”，可以识别“不太适合摄入”的饮料和其他液体。

声明：本文由易百纳技术社区编写，文章内容来自Venturebeat，版权归原作者所有，转载请注明出处，如有侵权请联系删除。