第一时间get全球最新科技知识与数据
下载钛媒体客户端

扫描下载App

英特尔Loihi芯片有了“嗅觉”:对10种气味分类识别,准确率达92%

摘要: 来自英特尔实验室(Intel Labs)和康奈尔大学的研究者于近日宣布,该团队在英特尔Loihi神经形态芯片(专用芯片)上成功设计了基于大脑嗅觉电路的神经网络机制算法。

Loihi神经形态芯片

Loihi神经形态芯片

钛媒体快讯 | 3月18日消息:来自英特尔实验室(Intel Labs)和康奈尔大学的研究者于近日宣布,该团队在英特尔Loihi神经形态芯片(专用芯片)上成功设计了基于大脑嗅觉电路的神经网络机制算法,该算法赋予了芯片在明显噪声和遮盖情况下的学习和识别危险化学品的能力。据悉,该研究成果已经发表在最新一期自然杂志子刊《自然机器智能》(Nature Machine Intelligence)上,并成为封面文章。

论文作者,英特尔神经形态计算实验室高级研究员Nabil Imam表示,该研究将为神经形态系统铺平道路,这一系统将可以诊断疾病,检测武器和爆炸物,并能够及时发现麻醉剂、烟雾和一氧化碳气味,对其进行分类识别。

本论文通讯作者,美国康奈尔大学心理学系计算生理实验室教授托马斯·克莱兰德(Thomas A. Cleland)在邮件中对钛媒体表示,基于神经网络机制算法的Loihi芯片可以非常快速地识别复杂的气味,并实现在线学习和强记忆力能力。

基于新的神经网络算法下的Loihi芯片电路板

基于新的神经网络算法下的Loihi芯片电路板

Loihi是2017年9月英特尔实验室推出的自学习神经形态芯片,基于14nm的制程工艺,管芯尺寸60毫米,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。

根据论文所述,英特尔希望通过更深入的研究让Loihi能够更快更高效地执行机器学习计算任务,同时大幅降低对功耗的需求。

在研究过程中,英特尔和康奈尔大学的研究人员通过测量动物闻到气味时的脑电波活动,并根据这些电路图与电脉冲,导出一套可行性算法,将其配置在神经形态芯片上、尤其是在Loihi芯片上。

与此同时,英特尔团队还采用了一个由72个化学传感器活动组成的数据集,对风洞实验中循环释放的10种气体物质(气味),包括丙酮、氨和甲烷等作出反应。传感器将各种气味的反应数据传送至Loihi,由其芯片电路对嗅觉背后的大脑数据进行模拟。

在科研团队的不懈努力下,目前Loihi芯片已经迅速掌握了10种不同气味的神经表征,在有强烈的环境干扰下也能准确识别出这几种气味。

克莱兰德对钛媒体称:“新的Loihi芯片拥有长期生物训练特性,基于专门的神经形态网络而设计(类似于生物系统),仅用72个类型的数据集,就可以在强干扰情况下顺利实施识别气味。”

此外,克莱兰德还表示,在实验过程中团队发现,利用Loihi芯片研发出的神经网络机制算法,在其他架构和模版上都可以良好运行,甚至是普通的PyTorch(开源的Python机器学习库)架构,都可以应用。

“我们在实验室里有一个新项目,可以把‘活’的传感器连接到一个树莓派计算机上,并在Loihi芯片中直接插入进去。可以直接检测气味,但目前仍需要大量不断地尝试来得到准确结果”,克莱兰德说,“我们一直专注于神经网络机制,而非控制传感器。“

据了解,克莱兰德团队研究出的神经形态算法,其他机构和大学实验室也都在不断攻关与研究。包括 IBM,惠普,麻省理工学院,普渡大学,斯坦福大学等,都希望利用这一算法,开发出新的超级计算机,其性能表现可能远超人们想象。

除了神经形态计算领域外,谷歌,多伦多大学和亚利桑那州立大学的科研团队,还基于人工智能方法来解决分子识别和气味预测问题。但克莱兰德认为,这种利用图像和大数据的深度学习网络,内部具有低维结构,在训练不完整时会表现不佳,而英特尔和康奈尔大学研究的这一新检测算法,在错误中有充分预见能力,在单一环境下可以实现更好的气味检测。

当被问及这项研究是否存在局限性时,克莱兰德对钛媒体表示,该研究中的72个数据集,在60%的脉冲噪声下,可以达到92%的性能。因此,8%的错误偏差是不可避免的,这将取决于使用的数据集样本,并希望未来有更多方案来解决这个问题。

(本文首发钛媒体,作者 | 林志佳)

敬原创,有钛度,得赞赏

”支持原创,赞赏一下“
钛粉46303 钛粉32504 钛粉53982 LS邋遢道人 钛粉90243 钛粉11017
362人已赞赏 >
362换成打赏总人数362人赞赏钛媒体文章
关闭弹窗

挺钛度,加点码!

  • ¥ 5
  • ¥ 10
  • ¥ 20
  • ¥ 50
  • ¥ 100

支付方式

确认支付
关闭弹窗

支付

支付金额:¥6

关闭弹窗
sussess

赞赏金额:¥ 6

赞赏时间:2020.02.11 17:32

关闭弹窗 关闭弹窗

更多精彩内容,关注钛媒体微信号(ID:taimeiti),或者下载钛媒体App

本文系钛媒体原创,未经授权不得使用,如需获取转载授权,请点击这里
分享到:

第一时间获取TMT行业新鲜资讯和深度商业分析,请在微信公众账号中搜索「钛媒体」或者「taimeiti」,或用手机扫描左方二维码,即可获得钛媒体每日精华内容推送和最优搜索体验,并参与编辑活动。

林志佳
林志佳

钛媒体记者。联系方式(vx):zhijialin@tmtpost.com;qq1393525745

评论(0

Oh! no

您是否确认要删除该条评论吗?

分享到微信朋友圈