大腦神經(jīng)網(wǎng)絡(luò)具有復(fù)雜的語義記憶和動態(tài)連接性，可將不斷變化的輸入與龐大記憶中的經(jīng)驗聯(lián)系起來，高效執(zhí)行復(fù)雜多變的任務(wù)。目前，人工智能系統(tǒng)廣泛應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型多是靜態(tài)的。隨著數(shù)據(jù)量不斷增長，它在傳統(tǒng)數(shù)字計算系統(tǒng)中產(chǎn)生大量能耗和時間開銷，難以適應(yīng)外界環(huán)境的變化。
 

　　中國科學(xué)院微電子研究所微電子器件與集成技術(shù)研發(fā)中心劉明院士團隊研究員尚大山，聯(lián)合香港大學(xué)博士王中銳、復(fù)旦大學(xué)博士張續(xù)猛，將人工神經(jīng)網(wǎng)絡(luò)與大腦的動態(tài)可重構(gòu)性相結(jié)合，開發(fā)出基于語義記憶的動態(tài)神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)將新信息與過去的經(jīng)驗信息進行關(guān)聯(lián)，利用輸入樣本與語義記憶的相似性，為神經(jīng)網(wǎng)絡(luò)配備動態(tài)連接，從而根據(jù)需求分配計算資源。與靜態(tài)網(wǎng)絡(luò)相比，語義記動態(tài)神經(jīng)網(wǎng)絡(luò)能夠根據(jù)計算資源權(quán)衡識別準(zhǔn)確性和計算效率，可在資源受限設(shè)備或分布式計算環(huán)境中展現(xiàn)出色的性能。
 

　　進一步，該團隊基于TaN/TaOx/Ta/TiN阻變存儲器陣列，驗證了動態(tài)神經(jīng)網(wǎng)絡(luò)設(shè)計在ResNet和PointNet++網(wǎng)絡(luò)框架上的有效性。研究顯示，提取特征的神經(jīng)網(wǎng)絡(luò)和語義記憶分別在基于阻變存儲器的存內(nèi)計算和內(nèi)容尋址存儲的組合結(jié)構(gòu)上進行物理實現(xiàn)，緩解了馮·諾依曼計算瓶頸。在對2D圖像數(shù)據(jù)集MNIST和3D點云數(shù)據(jù)集ModelNet的分類任務(wù)中，該設(shè)計實現(xiàn)了與軟件相當(dāng)?shù)臏?zhǔn)確率，相比于靜態(tài)神經(jīng)網(wǎng)絡(luò)減少了48.1%和15.9%的計算量，相比傳統(tǒng)數(shù)字硬件系統(tǒng)降低了計算能耗。軟硬件協(xié)同設(shè)計研究為開發(fā)與大腦的適應(yīng)性和效率相媲美的人工智能系統(tǒng)提供了參考。
 

　　近期，相關(guān)研究成果發(fā)表在《科學(xué)進展》(Science Advances)上。研究工作得到國家自然科學(xué)基金委員會、科學(xué)技術(shù)部、中國科學(xué)院的支持。
 

基于語義記憶的腦啟發(fā)動態(tài)神經(jīng)網(wǎng)絡(luò)硬件軟件協(xié)同設(shè)計