大脑的小脑不会浪费能量分析每一个时刻。相反，它会持续监测世界中出乎意料的情况——只有当某些事情突然发生变化时，才会迅速采取行动。
受这种极为高效策略的启发，西北大学的工程师开发出一种新型类脑电子设备，该设备能耗极低且能几乎即时检测新奇事物。在概念验证实验中，该设备能在五分之一心跳时间内以98%以上的准确率识别异常心律。该设备所需的计算机操作量也比传统人工智能(AI)方法少约10000倍——为更节能的人工智能铺平了道路。
这一突破可能催生新一代低功耗、始终开启的AI系统，适用于可穿戴健康监测器、自动驾驶汽车、自主机器人和网络安全系统等需要即时识别和应对异常事件的领域，而无需依赖庞大耗能的数据中心。
这项研究于7月10日发表在《自然·通讯》期刊上。
"在类脑计算领域，研究人员通常试图模仿大脑皮层，它常被视为大脑的'思维中心'，"共同领导这项研究的西北大学Mark C. Hersam表示，"在我们的工作中，我们开发了一种模仿小脑的设备，小脑控制反射反应，看似甚至无需思考。小脑擅长忽略预期中的事情，并将资源保留用于应对意外情况。这种方法最终转化为更低的能耗，这也是我们实现数量级改进的地方。"
Hersam是类脑计算专家，在西北大学担任Walter P. Murphy材料科学与工程教授、医学教授和化学教授，他在麦考密克工程学院、西北大学芬伯格医学院和温伯格文理学院均有任职。他还是材料科学与工程系主任、材料研究科学与工程中心主任，以及国际纳米技术研究所成员。Hersam与麦考密克学院研究副教授Vinod K. Sangwan、温伯格学院比尔和盖尔·库克神经生物学教授Indira M. Raman以及伊利诺伊大学芝加哥分校电气与计算机工程副教授Amit Trivedi共同领导了这项研究。
超越分类
这款新设备代表了Hersam实验室在从头开始重新思考AI硬件方面的最新进展。传统计算机不断在物理上分离的内存和处理器之间来回传输数据——这一过程消耗大量能量。Hersam的团队则将内存和计算压缩到一种名为"memtransistor"（记忆晶体管）的单一设备中。
在2023年发表在《自然·电子学》期刊上的一项研究中，该团队证明仅需两个记忆晶体管就能执行AI分类任务，而这些任务通常需要100多个传统晶体管。这种方法将能耗降低了约100倍。
新研究将这一概念推向了低能耗分类之外。西北大学团队不仅使AI硬件更加高效，还重新设计了设备以模仿小脑中的特定电路，该电路擅长检测新奇事物并做出即时决策。
这种方法使AI能够忽略常规信息，同时立即标记意外事件。对于可穿戴心率监测器，这可能意味着检测心律不齐的最初迹象。对于机器人，它可能意味着识别有人突然踏入其路径的情况。而对于网络安全系统，它可能意味着在可疑网络活动升级为全面攻击之前就发现它。
Hersam表示："当今的人工智能在识别模式方面表现极为出色，但它经常花费大量计算能力持续分析数据流——即使什么都没有改变。因此，它在不必要的分析上消耗能量。"
重现兴奋和抑制反应
在小脑中，神经回路包含两个相互竞争的信号——一个兴奋性信号和一个抑制性信号——它们不断相互平衡。在正常活动期间，这些信号保持平衡。但当出现令人惊讶的事情时，这种平衡会短暂转移，提醒大脑需要做出反应。
西北大学团队在其硬件中重现了这种动态。工程师们开发的设备能够执行两个不同的角色。在一种模式下，它表现得像一个兴奋性突触，随着信号持续而逐渐增强其响应。在另一种模式下，它像一个抑制性突触，最初反应强烈，但随后迅速减弱。这些互补的行为共同使设备能够区分普通事件和真正的新型事件——正如小脑所做的那样。
为了构建该设备，研究人员使用了二硫化钼，这是一种以其电学特性而闻名的原子级薄半导体。然后，他们设计了一种不对称晶体管架构，其中一个电极通过薄绝缘层部分重叠半导体。这一看似微小的设计改变从根本上改变了电流通过设备的方式。简单地反转施加电压的方向，就能在兴奋和抑制模式之间切换记忆晶体管。
测试设备
为了测试该系统，研究人员给该设备提供了一系列心电图(ECG)记录，其中包含正常心律和心律失常。该设备没有浪费能量完全分析每次心跳，而是成功忽略了正常心跳。但它在几毫秒内迅速识别出了一次异常心跳。
Hersam表示："我们受小脑启发的记忆晶体管在心跳结束前的几分之一秒内就检测到了不规则心跳。这比传统人工智能快两倍以上。"
接下来，Hersam计划探索模仿小脑随时间学习和适应能力的方法。例如，如果一个曾经意外的事件反复发生，大脑会逐渐学习并停止将重复事件视为新奇事物。
Hersam表示："我们已经演示了小脑神经回路的一部分，但还有更多我们尚未模拟的部分。我们打算继续沿着这条道路前进，模仿这个复杂系统的越来越多的部分。"
【全文结束】