神经模拟芯片是模拟生物神经元的芯片

今天，英特尔发布了第二代神经模拟芯片Loihi 2。

神经模拟芯片是模拟生物神经元的芯片。

与普通芯片不同，神经模拟芯片的计算任务是由许多小单元来完成的，这些小单元通过类似于生物神经的尖刺来相互通信，并通过尖刺来调整自己的行为。

目前，英特尔已经将该芯片应用于机械臂，神经模拟皮肤，机器嗅觉等场景。

2018年初，英特尔推出了首款采用14纳米工艺的神经模拟芯片Loihi。

英特尔表示，Loihi 2是对第一代的重大升级，也是英特尔第一个EUV工艺节点英特尔4制造的芯片，意思是相当于4nm，但实际上是7nm工艺。

得益于新技术，Loihi 2的面积比上一代缩小了一半，但仍包含100万个神经元，数量是上一代的8倍，处理速度是上一代的10倍。

Loihi 2共有128个神经模拟核，每个核都有192KB的灵活内存，每个神经元根据模型最多可以分配4096个状态，而之前的限制只有24个。

与普通的CPU和GPU不同，神经模拟没有外部存储器每个神经元都有少量的记忆供自己使用主要功能是分配给不同神经元输入的权重，最近活动的缓存以及峰值被发送到的所有其他神经元的列表

Loihi 2可以根据其应用选择各种连接选项，有点类似FPGA。

除了硬件产品，英特尔还发布了Loihi芯片的软件，这是一个名为Lava的新开发框架。

框架和相关库是用Python编写的，在GitHub上是开源的开发人员可以在不访问硬件的情况下为Loihi开发程序

和神经网络有什么区别。

生物神经元包含树突和轴突。

Loihi芯片上的部分执行单元充当树突，根据过去行为的权重处理来自通信网络的输入信号。

然后用数学公式确定活动何时越过临界阈值，超过临界阈值时触发自己的尖峰信号之后，执行单元的轴突找出要与哪些其他执行单元通信，并向每个执行单元发送尖峰信号

为什么要研究这种类型的芯片神经模拟计算的倡导者认为，这种方法更接近模拟大脑功能的实际特征，如大脑传输信号的超高能效比

可是，研究深度学习的学者批评神经形态学方法没有取得实际效果，而像ResNet这样的深度神经网络在计算机视觉领域取得了巨大的成功。

Yann LeCun在2019年的一次会议上反驳了神经模拟计算方法。

虽然神经模拟计算的研究普及程度远不及神经网络，但神经模拟芯片的优势在于其能效远高于传统处理器。

2014年，IBM推出了TrueNorth芯片虽然其运行频率只有几千赫，但其模拟的脑棘神经网络所需的计算资源仅为传统处理器的0.0001%

英特尔神经形态计算实验室主任迈克戴维斯表示，在某些特定工作负载下，Loihi的效率可能是传统处理器的2000倍。

此外，神经模拟计算还可以实现动态学习行为。

神经网络非常擅长识别训练过的东西，但是对于识别没有训练过的东西不够灵活戴维斯已经证明，神经模拟计算学会在不损害先前训练能力的情况下，基于视频输入识别新手势

戴维斯认为，神经模拟芯片在机器人领域有许多潜在的应用当移动机器人发现自己面对一个新环境时，它们必须有足够的灵活性来识别和适应新环境

参考链接: