神经形态工程学

神经形态工程，也称为神经形态计算，[1] [2] [3]是Carver Mead [4]在1980年代后期提出的概念，描述了包含电子的超大规模集成（VLSI）系统的使用模拟神经系统中存在的神经生物学结构的模拟电路。[5]近年来，神经形态一词已用于描述模拟，数字，混合模式模拟/数字VLSI和实现神经系统模型（用于感知，运动控制或多感觉集成）的软件系统。可以通过基于氧化物的忆阻器，[6]自旋电子存储器，[7]阈值开关和晶体管[8]来在硬件级别实现神经形态计算的实现。

神经形态工程学的一个关键方面是了解单个神经元，电路，应用程序和整体架构的形态如何创建理想的计算，如何影响信息表示，影响对损害的鲁棒性，结合学习和发展，适应局部变化（可塑性），并促进进化变化。

神经形态工程学是一门跨学科学科，它受到生物学，物理学，数学，计算机科学和电子工程学的启发，设计出人工神经系统，例如视觉系统，头眼系统，听觉处理器和自主机器人，其物理结构和设计原理基于生物神经系统原理。[9]



内容
1 例子
2 道德考量
2.1 民主问题
2.2 人格
2.3 所有权和财产权
3 神经记忆系统
4 参考

例子
早在2006年，乔治亚理工大学的研究人员就发布了现场可编程神经阵列。[10] 该芯片是浮栅晶体管阵列中日益复杂的阵列中的第一个，该阵列允许对MOSFET栅极上的电荷进行可编程以模拟大脑中神经元的通道离子特性，并且是硅可编程阵列的首批案例之一。 神经元。

2011年11月，一组麻省理工学院的研究人员创建了一种计算机芯片，该芯片使用400个晶体管和标准的CMOS制造技术来模拟两个神经元之间突触中基于离子的模拟通信。[11] [12]

2012年6月，Purdue的自旋电子学研究人员发表了一篇关于使用侧向自旋阀和忆阻器设计神经形态芯片的论文。他们认为，这种结构的工作方式类似于神经元，因此可以用来测试重现大脑加工能力的方法。此外，这些芯片比传统芯片具有更高的能源效率。[13]

HP实验室对Mott忆阻器的研究表明，尽管它们是非易失性的，但在相变温度以下的温度下表现出的易挥发行为可被用于制造神经敏电阻器，[14]在神经元中。[14]在2013年9月，他们提出了模型和仿真，这些模型和仿真显示了如何将这些神经学家的尖峰行为用于形成图灵机所需的组件。[15]

由斯坦福大学硅大学的Brains建立的Neurogrid [16]是使用神经形态工程原理设计的硬件示例。电路板由16个定制设计的芯片组成，称为NeuroCores。每个NeuroCore的模拟电路均设计为模拟65536个神经元的神经元，从而最大程度地提高了能效。仿真的神经元使用设计为最大化峰值吞吐量的数字电路连接。[17] [18]

一个涉及神经形态工程的研究项目是“人脑项目”，该项目正在尝试使用生物数据在超级计算机中模拟完整的人脑。它由一组神经科学，医学和计算机研究人员组成。[19]该项目的联合主任亨利·马克兰姆（Henry Markram）表示，该项目旨在为探索和理解大脑及其疾病建立基础，并利用这些知识来构建新的计算技术。该项目的三个主要目标是更好地了解大脑各部分如何配合和协同工作，了解如何客观地诊断和治疗脑部疾病，以及利用对人脑的理解来开发神经形态计算机。要模拟一个完整的人脑，将需要一台比今天强大一千倍的超级计算机，这促使当前对神经形态计算机的关注。[20]欧盟委员会已为该项目拨款13亿美元。[21]

其他对神经形态工程有影响的研究涉及BRAIN Initiative [22]和IBM的TrueNorth芯片。[23]使用纳米晶体，纳米线和导电聚合物也已经证明了神经形态设备。[24]

英特尔于2017年10月推出了其神经形态研究芯片，称为“ Loihi”。该芯片使用异步尖峰神经网络（SNN）来实现自适应自修改事件驱动的细粒度并行计算，以高效地实现学习和推理。[25] [26]

比利时的纳米电子学研究中心IMEC展示了世界上第一个自学习神经形态芯片。基于OxRAM技术的受大脑启发的芯片具有自我学习的能力，并已被证明具有创作音乐的能力。[27] IMEC发布了原型制作的3秒音乐。芯片被依次加载具有相同签名和样式的歌曲。这些歌曲是古老的比利时和法国长笛小品，芯片从中学习演奏中的规则，然后加以应用。[28]

Brainchip控股将在2019年末发布一款名为Akida的NSoC（芯片系统）。[29]

道德考量
尽管神经形态工程学的跨学科概念相对较新，但许多相同的伦理考虑因素也适用于神经形态系统，就像适用于一般的类人机器和人工智能一样。但是，神经形态系统旨在模仿人脑这一事实引起了围绕其用法的独特伦理问题。

民主问题
由于公众的认知，神经形态工程可能会受到重大的道德限制。[失败的验证]欧盟委员会进行的一项特殊的欧洲晴雨表382：对机器人的公众态度调查发现，欧盟有60％的公民希望禁止使用机器人。照顾儿童，老人或残疾人。此外，有34％的人赞成在教育中禁止使用机器人，有27％的人禁止在医疗保健中，有20％的人禁止闲逛。欧盟委员会将这些领域归类为“人类”。该报告指出，公众越来越关注能够模仿或复制人类功能的机器人。根据定义，神经形态工程学旨在复制人类功能：人类大脑的功能。[30]

围绕神经形态工程的民主关注在未来可能会变得更加深刻。欧盟委员会发现，年龄在15到24岁之间的欧盟公民比55岁以上的欧盟公民更有可能将机器人视为类似于人的机器人（而不是类似于乐器的机器人）。被定义为类人，15-24岁的欧盟公民中有75％表示符合机器人的想法，而55岁以上的欧盟公民中只有57％对此做出了回应。因此，神经形态系统的类人性质可以将它们归类为许多欧盟公民希望在未来禁止使用的机器人类别。[30]

人格
随着神经形态系统变得越来越先进，一些学者主张将人格权授予这些系统。如果大脑是什么赋予人类人格，那么神经形态系统必须在多大程度上模仿人脑才能获得人格权？旨在促进大脑启发式计算的“人类大脑计划”中的技术发展的批评者认为，神经形态计算的发展可能导致机器意识或人格的发展。[31]评论家认为，如果将这些系统当作人来对待，那么人类使用神经形态系统执行的许多任务，包括神经形态系统终止的行为，在道德上都是不允许的，因为这些行为会违反神经形态系统的自治性。[32]

但是，对此持怀疑态度的人认为，没有任何方法可以合法地应用电子人格，这是一种将适用于神经形态技术的人格概念。在285名法律，机器人，医学和伦理学专家签名的信中，反对欧盟委员会承认“智能机器人”为法人的提议，作者写道：“机器人的法律地位不能源自自然人因为机器人将拥有人权，例如尊严权，其完整权，薪酬权或公民权，因此直接面对人权。这将与《欧洲联盟基本权利宪章》和《保护人权与基本自由公约》相抵触。” [33]

所有权和财产权
关于产权和人工智能，有大量的法律辩论。在澳大利亚联邦法院的克里斯托弗·杰瑟普法官（Acohs Pty Ltd诉Ucorp Pty Ltd）中，澳大利亚联邦法院法官克里斯托弗·杰瑟普（Christopher Jessup）发现，材料安全数据表的源代码不具有版权，因为它是由软件界面而非人工编写的。[34]相同的问题可能适用于神经形态系统：如果神经形态系统成功地模仿了人类的大脑并产生了一件原始作品，那么谁（如果有的话）应该能够主张该作品的所有权？

神经记忆系统
神经忆阻系统是神经形态计算系统的子类，其重点是使用忆阻器来实现神经可塑性。神经形态工程学着重于模仿生物行为，而神经记忆系统则着重于仿生。[35]例如，神经记忆系统可以用摘要神经网络模型代替皮质微电路行为的细节。[36]

忆阻器实现了几种神经元启发式阈值逻辑功能[6]，这些功能在高级模式识别应用中具有应用。最近报道的一些应用包括语音识别，[37]人脸识别[38]和物体识别。[39]他们还找到了替代传统数字逻辑门的应用。[40] [41]

另见
AI accelerator
Artificial brain
Biomorphic
Cognitive computer
Computation and Neural Systems
Intel Loihi
Physical neural network
Neurorobotics
Optical flow sensor
SpiNNaker
SyNAPSE
Vision chip
TrueNorth
Vision processing unit
Zeroth (software)
参考
Monroe, D. (2014). "Neuromorphic computing gets ready for the (really) big time". Communications of the ACM. 57 (6): 13–15. doi:10.1145/2601069.
Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:10.1088/0957-4484/21/17/175202. PMID 20368686.
The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube
Mead, Carver. "carver mead website". carvermead.
Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. doi:10.1109/5.58356.
Maan, A. K.; Jayadevi, D. A.; James, A. P. (January 1, 2016). "A Survey of Memristive Threshold Logic Circuits". IEEE Transactions on Neural Networks and Learning Systems. PP (99): 1734–1746. arXiv:1604.07121. Bibcode:2016arXiv160407121M. doi:10.1109/TNNLS.2016.2547842. ISSN 2162-237X. PMID 27164608.
"A Survey of Spintronic Architectures for Processing-in-Memory and Neural Networks", JSA, 2018
Zhou, You; Ramanathan, S. (August 1, 2015). "Mott Memory and Neuromorphic Devices". Proceedings of the IEEE. 103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914. ISSN 0018-9219.
Boddhu, S. K.; Gallagher, J. C. (2012). "Qualitative Functional Decomposition Analysis of Evolved Neuromorphic Flight Controllers". Applied Computational Intelligence and Soft Computing. 2012: 1–21. doi:10.1155/2012/705483.
Farquhar, Ethan; Hasler, Paul. (May 2006). A field programmable neural array. IEEE International Symposium on Circuits and Systems. pp. 4114–4117. doi:10.1109/ISCAS.2006.1693534. ISBN 978-0-7803-9389-9.
"MIT creates "brain chip"". Retrieved December 4, 2012.
Poon, Chi-Sang; Zhou, Kuan (2011). "Neuromorphic silicon neurons and large-scale neural networks: challenges and opportunities". Frontiers in Neuroscience. 5: 108. doi:10.3389/fnins.2011.00108. PMC 3181466. PMID 21991244.
Sharad, Mrigank; Augustine, Charles; Panagopoulos, Georgios; Roy, Kaushik (2012). "Proposal For Neuromorphic Hardware Using Spin Devices". arXiv:1206.3227 [cond-mat.dis-nn].
Pickett, M. D.; Medeiros-Ribeiro, G.; Williams, R. S. (2012). "A scalable neuristor built with Mott memristors". Nature Materials. 12 (2): 114–7. Bibcode:2013NatMa..12..114P. doi:10.1038/nmat3510. PMID 23241533.
Matthew D Pickett and R Stanley Williams 2013 Nanotechnology 24 384002
Boahen, Kwabena (April 24, 2014). "Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations". Proceedings of the IEEE. 102 (5): 699–716. doi:10.1109/JPROC.2014.2313565.
Waldrop, M. Mitchell (2013). "Neuroelectronics: Smart connections". Nature. 503 (7474): 22–4. Bibcode:2013Natur.503...22W. doi:10.1038/503022a. PMID 24201264.
Benjamin, Ben Varkey; Peiran Gao; McQuinn, Emmett; Choudhary, Swadesh; Chandrasekaran, Anand R.; Bussat, Jean-Marie; Alvarez-Icaza, Rodrigo; Arthur, John V.; Merolla, Paul A.; Boahen, Kwabena (2014). "Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations". Proceedings of the IEEE. 102 (5): 699–716. doi:10.1109/JPROC.2014.2313565.
"Involved Organizations". Archived from the original on March 2, 2013. Retrieved February 22, 2013.
"Human Brain Project". Retrieved February 22, 2013.
"The Human Brain Project and Recruiting More Cyberwarriors". January 29, 2013. Retrieved February 22, 2013.
Neuromorphic computing: The machine of a new soul, The Economist, 2013-08-03
Modha, Dharmendra (August 2014). "A million spiking-neuron integrated circuit with a scalable communication network and interface". Science. 345 (6197): 668–673. Bibcode:2014Sci...345..668M. doi:10.1126/science.1254642. PMID 25104385.
Fairfield, Jessamyn (March 1, 2017). "Smarter Machines" (PDF).
Davies, Mike; et al. (January 16, 2018). "Loihi: A Neuromorphic Manycore Processor with On-Chip Learning". IEEE Micro. 38 (1): 82–99. doi:10.1109/MM.2018.112130359.
Morris, John. "Why Intel built a neuromorphic chip | ZDNet". ZDNet. ZDNet. Retrieved August 17, 2018.
"Imec demonstrates self-learning neuromorphic chip that composes music". IMEC International. Retrieved October 1, 2019.
Bourzac, Katherine. "A Neuromorphic Chip That Makes Music". IEEE Spectrum. Retrieved October 1, 2019.
"BrainChip Explains its Neuromorphic SoC".
European Commission (September 2012). "Special Eurobarometer 382: Public Attitudes Towards Robots" (PDF). European Commission.
Aicardi, Christine (September 2018). "Accompanying technology development in the Human Brain Project: From foresight to ethics management". Futures. 102: 114–124. doi:10.1016/j.futures.2018.01.005.
Lim, Daniel (June 1, 2014). "Brain simulation and personhood: a concern with the Human Brain Project". Ethics and Information Technology. 16 (2): 77–89. doi:10.1007/s10676-013-9330-5. ISSN 1572-8439.
"Robotics Openletter | Open letter to the European Commission" (in French). Retrieved May 10, 2019.
Lavan. "Copyright in source code and digital products". Lavan. Retrieved May 10, 2019.
"002.08 N.I.C.E. Workshop 2014: Towards Intelligent Computing with Neuromemristive Circuits and Systems - Feb. 2014". digitalops.sandia.gov. Retrieved August 26, 2019.
C. Merkel and D. Kudithipudi, "Neuromemristive extreme learning machines for pattern classification," ISVLSI, 2014.
Maan, A.K.; James, A.P.; Dimitrijev, S. (2015). "Memristor pattern recogniser: isolated speech word recognition". Electronics Letters. 51 (17): 1370–1372. doi:10.1049/el.2015.1428.
Maan, Akshay Kumar; Kumar, Dinesh S.; James, Alex Pappachen (January 1, 2014). "Memristive Threshold Logic Face Recognition". Procedia Computer Science. 5th Annual International Conference on Biologically Inspired Cognitive Architectures, 2014 BICA. 41: 98–103. doi:10.1016/j.procs.2014.11.090.
Maan, A.K.; Kumar, D.S.; Sugathan, S.; James, A.P. (October 1, 2015). "Memristive Threshold Logic Circuit Design of Fast Moving Object Detection". IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 23 (10): 2337–2341. arXiv:1410.1267. doi:10.1109/TVLSI.2014.2359801. ISSN 1063-8210.
James, A.P.; Francis, L.R.V.J.; Kumar, D.S. (January 1, 2014). "Resistive Threshold Logic". IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 22 (1): 190–195. arXiv:1308.0090. doi:10.1109/TVLSI.2012.2232946. ISSN 1063-8210.
James, A.P.; Kumar, D.S.; Ajayan, A. (November 1, 2015). "Threshold Logic Computing: Memristive-CMOS Circuits for Fast Fourier Transform and Vedic Multiplication". IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 23 (11): 2690–2694. arXiv:1411.5255. doi:10.1109/TVLSI.2014.2371857. ISSN 1063-8210.
Caravelli; et al. (2017). "The complex dynamics of memristive circuits: analytical 结果 and universal slow relaxation". Physical Review E. 95 (2): 022140. arXiv:1608.08651. Bibcode:2017PhRvE..95b2140C. doi:10.1103/PhysRevE.95.022140. PMID 28297937.