計(jì)算機(jī)科學(xué)家歷來(lái)認(rèn)為，人類大腦的運(yùn)算方式以近似估算為主，因此受大腦啟發(fā)研發(fā)的類腦計(jì)算硬件，在復(fù)雜數(shù)學(xué)運(yùn)算方面的表現(xiàn)不及傳統(tǒng)硬件。而美國(guó)阿爾伯克基市桑迪亞國(guó)家實(shí)驗(yàn)室的研究人員，正推翻這一固有假設(shè)。他們?cè)谌ツ?11 月發(fā)表于《自然?機(jī)器智能》的論文中證實(shí)，英特爾研發(fā)的神經(jīng)形態(tài)硬件可利用科學(xué)計(jì)算領(lǐng)域的核心方法 —— 有限元法，實(shí)現(xiàn)微分方程的求解。

受大腦啟發(fā)的計(jì)算技術(shù)

神經(jīng)形態(tài)計(jì)算相比傳統(tǒng)硬件，具備更高的能效優(yōu)勢(shì)。傳統(tǒng)計(jì)算硬件依靠密集排布的電子開關(guān)完成信號(hào)累加運(yùn)算。桑迪亞國(guó)家實(shí)驗(yàn)室計(jì)算神經(jīng)科學(xué)家 James B. (Brad) Aimone 表示：“人工智能領(lǐng)域已取得巨大突破，但這些突破的實(shí)現(xiàn)，背后需要新建一座座發(fā)電站來(lái)支撐算力能耗。” 他補(bǔ)充道：“而人類大腦進(jìn)行復(fù)雜思考交流時(shí)，每人的能耗僅為 10 瓦。”

人類大腦的運(yùn)算依賴連接相對(duì)稀疏的神經(jīng)元，神經(jīng)元通過(guò)脈沖放電的模式實(shí)現(xiàn)信號(hào)傳遞。Aimone 解釋道：“神經(jīng)元接收帶有權(quán)重的信息后，會(huì)發(fā)出具有時(shí)間特征的全或無(wú)式電脈沖，并傳遞至鄰近神經(jīng)元，這一動(dòng)態(tài)過(guò)程決定了最終的輸出結(jié)果。” 目前已有多種技術(shù)方案能在硬件中實(shí)現(xiàn)這類脈沖放電模式：部分系統(tǒng)采用模擬器件，而英特爾 Loihi 2 這類硬件，則通過(guò)傳統(tǒng)制造工藝打造的數(shù)字電路，復(fù)刻神經(jīng)元的脈沖放電特性。Loihi 2 搭載了超 10 億個(gè)數(shù)字神經(jīng)元，數(shù)量與小型哺乳動(dòng)物和鳥類的大腦神經(jīng)元數(shù)量相當(dāng)。

擁有神經(jīng)科學(xué)研究背景的 Aimone 指出，神經(jīng)形態(tài)計(jì)算領(lǐng)域的研究者，通常將研究重心放在他們認(rèn)為具有 “類腦特性” 的應(yīng)用場(chǎng)景上，例如實(shí)時(shí)傳感器數(shù)據(jù)處理。而這一做法，或許低估了大腦的實(shí)際運(yùn)算能力，且沒有任何依據(jù)能證明，這類類腦硬件無(wú)法勝任有限元法這類傳統(tǒng)高性能計(jì)算任務(wù)。

有限元法（FEM）是流體力學(xué)、力學(xué)、電磁學(xué)領(lǐng)域的經(jīng)典求解方法，可用于分析材料失效原理、Wi-Fi 信號(hào)在建筑內(nèi)的傳播路徑等問(wèn)題。桑迪亞國(guó)家實(shí)驗(yàn)室計(jì)算神經(jīng)科學(xué)家 Bradley Theilman 表示，有限元法是求解隨時(shí)間和空間分布的各類物理問(wèn)題相關(guān)微分方程的核心手段。

獼猴大腦帶來(lái)的研發(fā)靈感

Theilman 與 Aimone 認(rèn)為，人類大腦實(shí)則一直在持續(xù)求解這類復(fù)雜物理問(wèn)題。例如擊打棒球這一動(dòng)作，就是一項(xiàng)復(fù)雜的物理運(yùn)算過(guò)程：大腦需要處理隨時(shí)間動(dòng)態(tài)變化的信息 —— 追蹤棒球的飛行軌跡，并規(guī)劃球棒的揮動(dòng)動(dòng)作。Theilman 說(shuō)：“這是典型的復(fù)雜問(wèn)題，大腦需要根據(jù)實(shí)時(shí)信息調(diào)控肌肉運(yùn)動(dòng)，最終實(shí)現(xiàn)球棒與棒球的精準(zhǔn)接觸。”

兩人此次關(guān)于有限元法的研究，靈感來(lái)源于獼猴運(yùn)動(dòng)皮層的計(jì)算模型。該模型中一組被稱為 “矩陣” 的數(shù)值表，讓 Theilman 聯(lián)想到了有限元法中使用的矩陣。桑迪亞國(guó)家實(shí)驗(yàn)室的研究團(tuán)隊(duì)將有限元法適配至這一獼猴運(yùn)動(dòng)皮層模型，并在英特爾 Loihi 2 硬件上完成落地驗(yàn)證，證實(shí)該類腦硬件可實(shí)現(xiàn)偏微分方程的求解。

Brad Theilman 與 Felix Wang 在桑迪亞國(guó)家實(shí)驗(yàn)室拆解神經(jīng)形態(tài)計(jì)算核心部件。

Theilman 表示，根據(jù)團(tuán)隊(duì)的測(cè)算結(jié)果，利用神經(jīng)形態(tài)硬件進(jìn)行有限元法運(yùn)算，相比傳統(tǒng)系統(tǒng)僅能實(shí)現(xiàn)小幅能效提升。但由于目前使用的是非標(biāo)準(zhǔn)化的科研級(jí)硬件，難以基于已發(fā)表的研究結(jié)果，開展二者間真實(shí)的能效對(duì)比。目前該團(tuán)隊(duì)正著手將更大規(guī)模的運(yùn)算任務(wù)適配至神經(jīng)形態(tài)硬件，預(yù)計(jì)在大運(yùn)算量場(chǎng)景下，這類硬件的能效優(yōu)勢(shì)將更為顯著。Aimone 指出，傳統(tǒng)計(jì)算方法經(jīng)過(guò)長(zhǎng)期優(yōu)化，已與傳統(tǒng)硬件高度適配，二者相互成就；而神經(jīng)形態(tài)計(jì)算的能效優(yōu)勢(shì)，還需要時(shí)間來(lái)驗(yàn)證和凸顯。

英國(guó)曼徹斯特大學(xué)榮譽(yù)退休計(jì)算機(jī)科學(xué)家 Steve Furber 評(píng)價(jià)道，這項(xiàng)研究是桑迪亞團(tuán)隊(duì)此前成果的延續(xù) —— 該團(tuán)隊(duì)曾在神經(jīng)形態(tài)硬件上實(shí)現(xiàn)了另一類微分方程求解方法蒙特卡洛法的落地。Steve Furber 認(rèn)為，英特爾 Loihi 2 硬件的特性十分適配這類數(shù)學(xué)問(wèn)題的求解，且能實(shí)現(xiàn)高效運(yùn)算。其研究團(tuán)隊(duì)也曾利用自研的基于 Arm 架構(gòu)的 SpiNNaker 硬件，完成了熱擴(kuò)散問(wèn)題的建模，這類問(wèn)題與微分方程求解具有相似性。

Aimone 表示，這些研究成果表明，神經(jīng)形態(tài)計(jì)算的應(yīng)用潛力，遠(yuǎn)超出計(jì)算機(jī)科學(xué)家此前的認(rèn)知。他說(shuō)：“值得為各類數(shù)學(xué)問(wèn)題開展深度研究，沒有任何理由認(rèn)為，神經(jīng)形態(tài)計(jì)算無(wú)法實(shí)現(xiàn)這些運(yùn)算任務(wù)。”