原子级存储、类脑智能、量子计算，IEEE AI计算研讨会精华一文看尽

互推小编 2023-05-16

芯东西（公众号：aichip001）

编译 | 高歌

编辑 | 云鹏

芯东西1月21日消息，EE Times回顾了第三届IBM IEEE CAS/EDS人工智能计算研讨会的相关内容。研讨会主题为“从原子到应用（From Atoms to Applications）”，覆盖了AI与微生物、原子级存储材料、逆向工程视觉智能、迁移学习、边缘AI、神经系统AI、量子电路与光子计算等内容。

本次研讨会由IBM研究部（IBM Research）、美国电气和电子工程师协会（IEEE）下的电路与系统协会（Circuits and Systems Society）和电子设备协会（Electron Devices Society）一同举办。

一、微生物群落解决新冠病毒流行？

加州大学圣地亚哥分校（University of California San Diego）的首席顾问罗布·奈特（Rob Knight）谈到了“使用人工智能来了解人类微生物群及其在COVID-19中的作用”。

他在研究中发现人类微生物群落拥有极其复杂的基因和细胞集合，其数量甚至超过人类本身的基因和细胞，这一发现正在重新定义人类的概念。奈特表示，处理如此复杂的数据需要人工智能技术。

奈特强调了该大学和IBM之间名为“人工智能带来健康生活”的合作项目，介绍了微生物群落在医疗健康技术中的应用。

这一合作项目旨在了解人类微生物群落，并发现它如何随着年龄和疾病而变化。其目的是通过制定饮食、生活方式和药物治疗策略等方式，使人类能够最大程度地保持健康。

为应对新冠病毒大流行，奈特教授及其团队目前正在研究微生物群落在易感人群（包括老年人和具有特定微生物组相关疾病的人群）患病时的作用。这项研究将普遍适用于其他疾病，并将有助于衔接传染病和慢性疾病领域的研究。

二、原子级存储实现忆阻器

一些研究人员正在研究可以应用于人工智能设备中的原子材料。在一场题为“原子级存储：从单一缺陷到模拟开关和计算（Atomic Memory: From Single Defects to Analog Switches and Computing）”的演讲中，德克萨斯大学奥斯汀分校的Deji Akinwande教授专注于超薄二维纳米材料中的存储效应。

该教授表示，这一发现可以为电子工程技术的进步与发展提供巨大的帮助。基于二维材料的非易失性存储器件目前有一些缺陷，但也是一个快速发展的领域。

Akinwande的发言突出了其团队在单层存储器（原子电阻）方面的开创性工作，这将有利于零功率器件、非易失性RF开关和神经拟态计算中忆阻等技术的实现。

三、人工智能模拟人脑表现良好

人脑和认知科学的研究人员正致力于研究逆向工程人类思维及其智能行为。该研究领域还处于起步阶段，正向工程方法的目标是在人工系统中模拟人类智能。

James J. DiCarlo是麻省理工学院智力探索项目的联合主管，也是麻省理工学院人脑研究所的研究员，他就这项工作的一个方面发表了一篇论文《逆向工程视觉智能（Reverse Engineering Visual Intelligence）》。

DiCarlo预测，通过将人脑和认知科学家的努力与模拟智能行为的正向工程紧密结合，或许可以解决人类智能逆向工程的挑战。

如果这种方法能够发现合适的神经网络模型，这些模型不仅将拓展我们对复杂人脑系统的理解，而且将形成下一代计算和人脑接口技术的基础。

讲座的重点是视觉对象的分类和检测。DiCarlo指出，大脑、认知和计算机科学的工作融合在一起，形成了能够支持这类任务的深度神经网络（DNN）。

这些深度学习网络不仅在许多图像处理上能达到人类的表现，而且能根据灵长类动物视觉系统的内部工作模式进行建模，并在很大程度上可解释和预测。

然而，目前灵长类视觉系统的表现仍然优于当代人工深度神经网络，这表明在人脑和认知科学领域还有更多的内容值得科学家们研究。

四、迁移学习解决大数量级预训练任务

Facebook人工智能研究中心的研究总监劳伦斯·范德马滕（Laurens van der Maaten）发表了名为《弱监督学习预训练的局限性（Exploring the Limits of Weakly Supervised Pretraining）》的演讲。

他指出，用于各种任务的最先进视觉感知模型都依赖于监督预训练（supervised pretraining）。按照ImageNet分类，这些模型事实上的预训练任务现在已经有将近10年的历史了，其预训练任务的数量级比较小。

所以在数量级较大的数据集很难进行收集与整理的情况下，我们对使用大几个数量级的数据集进行预训练仍然比较陌生。

在范德马滕的演讲中，也讨论了一项关于迁移学习的研究。该研究着眼于训练用来预测数十亿张社交媒体图片上的话题标签的大型卷积网络（large convolutional networks）。

迄今为止，该研究取得了比较好的成绩，通过对数个图像分类和目标检测任务进行了改进，ImageNet-1k单一因素验证准确度达到85.4%。

五、边缘AI如何保障用户安全？

边缘AI是指在硬件设备上本地处理的AI算法,可以在没有网络连接的情况下处理数据。

专注于计算机安全硬件服务的Borsetta公司首席执行官帕梅拉•诺顿（Pamela Norton）以《用可靠的智能芯片保障边缘AI的未来（Securing the Future of AI on the Edge with Intelligent Trusted Chips）》为主题，拉开了研讨会第二天的序幕。

诺顿提出了一个实现这一目标的框架，该框架将为这个新兴领域的所有参与者创造机会。他认为通过将智能芯片迁移到边缘的同时，融合人工智能并且开发新的计算处理方式可以保障用户安全与隐私。

对于神经可塑性的研究，尤其是研究生物神经系统改变的能力，可以为人工智能系统设计提供许多新的思路。然而，生物神经系统与人工智能系统设计的学科交融还处于起步阶段，因此在设计能够支持异质可塑性的神经拟态系统还存有关键的知识鸿沟。

六、德州大学新学习算法仿照大脑皮层构建

矩阵人工智能联盟（Matrix AI Consortium）的主任、德州大学圣安东尼分校的教授迪瑞莎·库迪蒂普蒂（Dhireesha Kudithipudi）在《神经启发的人工智能：紧凑和弹性的边缘模型（Neuro-Inspired AI: Compact and resilience for the Edge）》中谈到了这个话题。

她介绍了最近由德州大学圣安东尼分校的神经拟态人工智能实验室（NAUI）开发的机内学习系统（in-silico learning system）。

基于CMOS/忆阻器结构，该系统模拟了一种仿生序列记忆算法，其灵感来自于具有完整结构和内在可塑性机制的大脑皮层。

该系统的合成突触表示支持紧凑型存储的动态突触通路，使用忆阻器的物理行为模拟突触通路的结构可塑性，并通过可自定义的训练方案实现突触调控。