（22へ延期）ポストスクリプト「新しい評価段階にどのようにAI」

352.Nature長い記事ラウンドアップ：脳・スマートと衝動的ニューラルネットワークのフロンティア

2019年11月28日ニューロコンピューティングとスパイク・basedmachine・インテリジェンス向けに発表されたパデュー大学「ネイチャー」誌でKaushikRoy、AkhileshJaiswalとPriyadarshiniPanda（Nature575,607〜2019分の617）

要約：この論文は、ニューロモーフィック計算アルゴリズムとハードウェアの開発を概説し、コンテンツとハードウェアのフレームワークを学ぶだけでなく、共同の設計を計算開発、アルゴリズムとハードウェアのニューロモルフィックのための主要な課題と展望の原理を紹介しています。

リード：人間の脳「パルス」ニューロモーフィック・コンピューティング（ニューロモーフィック・コンピューティング）のパルスニューラルネットワーク（SNN）の下で（スパイク）シミュレーションフレームワークは、人工知能の実現に期待されているに基づいて、本格的に人工知能今日は、コンピューティングプラットフォームを減らしますエネルギー消費量。生物学的な神経回路（回路）でシリコンのこの学際的な回路実装は、アルゴリズム被駆動部材が達成示されたコード、ハードウェアおよび市のパルスを含むように開発されました。

内容
I.アルゴリズム展望
に基づいてSNNS変換方法におけるII調査
研究するために、他の三つの方向。
四つのハードウェアの見通し。
ファイブアルゴリズム-ハードウェア協調設計。
シックス・サマリー。
添付ファイル：参照

人間の脳を作成するために、353クラスの技術は、常に人工知能における技術革新の源となっている（性質は、（2019.11）クラスのインテリジェント脳とパルスニューラルネットワークのエッジはダイジェスト）

科学者たちは常に考えていること、以前の情報異なるチャネル（チャネル）と周波数伝達、そして今、彼らは人間の脳はコンピュータのようなものだと思いを通して、人間の脳。ニューラルネットワークの発展に伴い、コンピュータ今日は、複数の認知課題で並外れた能力を示しました。

のみ2W程度のエネルギー消費量は、対照的に、標準的なコンピュータのみが250ワットの000の異なる特殊な身体エネルギー需要を認識しながら、人間の脳は、（例えば、複数のターゲット、推論、制御および移動を識別する）驚くべきタスクを実行することが可能です。人間の脳未踏の網羅が、しかし、人間の脳の異常な能力三つの基本的な観察によるもの：幅広い接続性、構造および組織階層の運動エネルギーだけでなく、時間依存（時間依存）、神経シナプス結合。

ニューロン（ニューロン＆）は、元の要素は、離散活動電位（discreteaction電位）または「パルス」の配信と情報交換することによるものである人間の脳、ある計算します。シナプスCシナプス）は、ストレージメモリと学習の基本的な要素です。

人間の脳はシナプスの兆によって相互接続されたニューロンネットワーク、数十億を持っています。パルス時間に基づいたメカニズムを扱う人間の脳で非常にまばらな効果的な情報伝達。

一般的に人間の脳と神経のニューラルネットワークによって使用されている最先端の人工知能は、階層フレームワークが触発シナプス。電位は複数のレベルで人間の脳、変換されたフォームの特性もあり、深さは、基本的に成果物階層近代的な学習ネットワーク（DLNs）です。人間の脳の階層のように、様々なシリコン演算部は、効率的なデータ交換を実現するために、階層的に配置されています。人間の脳から①コンピュータ計算（Processing Unit）やメモリ（記憶部）と分離されて、計算が異なる：表面上の類似性の両方にもかかわらず、人間の脳とコンピュータの間に明確な差があるシリコン原理を算出します（ニューロン）とストレージ（シナプス）が一体化され、コンピュータのハードウェアが接続②二次元に制限され、三次元的な接続は、主トランジスタ、シリコンアナログ技術における大きな不確定性を構築することができない人間の脳内に現在存在している③ブール（デジタル）回線交換、及びイベント駆動型確率的パルスに基づいて演算された各種のヒト脳。

しかし、（エッジデバイスへのクラウドベースのサーバーを含む）「の一般的な知性は、」主なボトルネックは、巨大なエネルギー消費とスループット要件で達成することはできません。

省エネ機械の知能を実現することがシナプスのハードウェアのコンピューティングシステム - 神経通信を実現するために、駆動パルスによるヒトの脳の指導の下で。ニューロコンピューティングは、1980年代に研究努力することをイベント駆動型、最終的には、2000年代初頭における含め、（個別の「パルス」アーティファクト）の性質のために、コンピューティングの急速な進化した後、ニューロンとシナプス機能をモデルに、トランジスタが作動するで始まります大規模ニューロモーフィックチップの登場。

（続）

354シナプスの重み調整可能パルスニューロンモデルの確立

パルス駆動（SNNS）長所と短所（nature2019.11クラスインテリジェント脳及びパルスニューラルネットワークエッジダイジェストII）を計算します

今日アルゴリズムの設計者は、積極的に（spikingneuralネットワーク、SNN）「ニューラルネットワークをスパイク」拡張性と効率的に推進するために、パルス駆動コンピューティングの（「研究」）の長所と短所を模索しています。

私たちは、それが正しいとドメインアルゴリズムの両方で同じハードウェア、パルスタイプを達成するために人工知能の重量を量る、コンピューティング作品として記述ニューロモーフィックすることができます。さまざまな学習メカニズムを含め、（アルゴリズム）、「スマート」（教師なしとパルス、または勾配降下方式に基づいて監督）の話をし、利用する時間と空間に基づいてイベントの特性を強調。あなたはパワーと精度の最適なバランスを達成することができることを、ハードウェアの脆弱性に対する堅牢ためのアルゴリズム。

アルゴリズム見通し：スパイキングニューラルネットワーク

神経機能をよれば、ニューラルネットワークは、三世代に分けられる：①第一世代は、第二のニューロンユニットは、非線形連続を増加②、マカロック - ピットパーセプトロンと呼ばれる（それは連続出力値のセットを計算することができます）、③第三世代ニューラルネットワークは、主に（積分発火）型スパイキングニューロン「統合放電」、パルスによる情報の交換に使用されます。

情報を使用してSNN時間（パルス）信号処理。それはスパイクを受信または送信されたとして、それはイベント駆動型であるので、それはエネルギーを節約することができ、基本的にバイナリパルスイベント（0,1）、唯一の王ジャンプ状態における神経細胞SNNSです。イベントがない場合は、SNNSユニットはアイドル状態のまま。1又は0のSNN入力値は、ドット積も数に低減され、総和計算量が低減されます。

主要な目的は、ニューロモーフィック操作することである：イベントベース（ベースのセンサーイベント）を使用して、適切なシナプス可塑性（即ち、シナプス重み調整）の確立と、駆動同時に更新されたデータは、ニューロンモデルのパルスを行い、実現するために効率的な認識、推理や他のインテリジェントアプリケーション。

時空イベントに基づいて、レバレッジ情報に能力において最大の利点の嘘をSNNS。今日はかなり環境におけるリアルタイムの動的な変更を記録するために、ニューロモルフィックセンサー成熟持って、これらの動的感覚のデータは、低消費電力コンピューティングを実現するためにSNNS時間処理機能と組み合わせることができます。

パルス学習プログラムの組み合わせに基づいて、効率的なSNNSフレームワークは、効果的なトレーニングを生成することができます。

情報と問題非微分離散パルスの非連続伝送を実現することができますスパイクニューロンは、彼らは北京ベースのラダー降順は（従来のニューラルネットワーク訓練の基礎である）技術の普及を逆に使用することはできません。

SNNSの欠点は、効果のほとんどは、まだ深い学習の第二世代の背後にあるタスクを学習していることです。

SNNSまた、パルスデータの可用性に基づいて制限されています。

学習アルゴリズムのSNNS認識性能は、従来の静止画像データ（例えばCIFAR又はImageNet）で評価されます。

355この記事をまとめたもので

自然（2019.11）クラスのインテリジェント脳とパルスニューラルネットワークエッジダイジェスト3

ニューロモルフィック計算（効率的な方法）

スパイクニューラルアルゴリズムパラダイムを意味

アルゴリズム - クロスレイヤハードウェア協調設計の最適化

省エネインテリジェントシステムのパルスに基づいて、

今日は、「インテリジェント」は、すべての学問分野私たちの周りの話題となっている、この論文では、機械知能とファッションのアルゴリズム（インテリジェンス）の共進化を実現するために、ハードウェア（コンピューティング）によって、効率的な方法として、ニューロモルフィック・コンピューティングについて説明します。

本論文では、スパイク、神経アルゴリズムパラダイムの意味は、イベント駆動型のコンピューティングではなく、伝統的な深い学習パラダイム・コンピューティングの値よりもを使用して、このパラダイムについて説明します。説明ルールを学習する標準的な分類タスクの実現利点と制限（例えば、勾配に基づいて、ドロップ、教師なしSTDP奥行き変換方法パルスモデルから学習パルス）。

動的プロパティ情報を使用すべきアルゴリズムを薄くし、時刻パルス信号を処理する上で将来の研究;および神経形態相補データセットのリアルタイム認識を生成することができ、イベント駆動型、メモリと演算器に焦点を当てる必要があり、ハードウェアの開発を計算する座標、及び神経シナプスの動特性のシミュレーション。特に懸念されるのは、その場でミックスド・シグナル・シミュレーションをサポートし、新興の不揮発性技術です。ハードウェア協調設計のフォアグラウンドクロスレイヤ最適化を - また、この記事では、アルゴリズムが含まれてい論じています。例えば、適応アルゴリズム（ローカル学習）を使用して、ハードウェアの実現可能性（ランダムパルスを実施）。

最後に、実際には一致2の見通しに基づき、省エネパルスの人工インテリジェントシステムの現在のユビキタスよりもビルドに両方の伝統と新興デバイスに基づいて、来ます。今、私たちは本当の省エネとインテリジェントマシンを作成するために協力して、アイデア、学際的な設備の努力によって、アクセス、アーキテクチャとアルゴリズムを交換時間があります。

356は、接触/ニューロモルフィック・コンピューティングと神経科学の出現を確立します

自然（2019.11）クラスのインテリジェント脳とパルスニューラルネットワークエッジダイジェスト4

神経科学との接続

研究と神経科学の学習効率を向上させるために、抽象的ルールを学ぶために、これらの結果を組み合わせます。MasquelierらSTDPおよび視覚的アナログ神経皮質符号化時間の使用は、それらが異なるニューロンが畳み込み異なる特性を学習するために、その層に類似する異なる特性を学ぶことができることを見出しました。樹状可塑性と構造を研究し、研究者は、可能な学習より提供するために、ハイパーパラメータとして接続樹状突起の数を兼ね備えています。補完的な研究SNNフィールドは、LSM（liquidstateマシン）です。訓練を受けていない、再帰的なネットワークの枠組みランダムリンクのLSMの使用は、ネットワークのパフォーマンスが優れ配列認識タスクです。しかし、大規模複雑なタスクのパフォーマンス性能はまだ向上させることができます。

ニューロコンピューティングが表示されます

1980年代には、生物学、神経システムの分野では、CarverMeadが想定される「賢く」は、「より効率的な」シリコン・ベースのコンピュータ・アーキテクチャは、彼の作品は、ハードウェアコンピューティングの分野における新しいパラダイムを表しています。ミードとケアAND、ORおよびその他のブール演算。代わりに、彼は、インデックス金属酸化物シリコン（MOS）を用いてニューロンの動特性をシミュレートするためにサブスレッショルド領域の電気物理的特性（電圧 - 電流指数相関を）は、トランジスタ。このような流路デバイスは、最も興味深い地域のニューロモルフィックの共同設計計算の一つです。

357「スーパー頭脳」チップ/ドット積メムリスティブ

5ダイジェストによって自然（2019.11）クラスのインテリジェント脳とパルスニューラルネットワークのエッジ

「スーパー頭脳」チップ

「スーパー頭脳」チップが特徴ニューロンとシナプス、ニューロンとシナプスの数百万人の統合は、パルスを計算する機能を提供しています。Neurogrid TrueNorthとは、2つのモデルのチップ混合信号のアナログ回路とデジタル回路に基づくものです。デジタル回路を使用してNeurogrid、アナログ回路は、製造中のエラーを、エラーのために蓄積する傾向があり、チップが大きいです。ニューラルネットワークは、このような開閉だけでなく、ユニークな生物学的シナプスの挙動イオンチャネルとして機能して神経細胞の複雑なメカニズムを介して、シミュレート脳活動に役立つ科学者に設計されて設計します。これとは対照的に、TrueNorthは、神経チップとして、そのようなSNN分類タスクを使用するなど、重要なビジネスタスクのためのもの;及びTrueNorthを簡素化シナプスのプロトタイプ設計に基づいています。

次のようにTrueNorth例では、主な機能は以下のとおりです。

住所非同期イベントは、（Asynchronousadressイベント表現）を示しますので、パルス発生器を計算するときにのみ、すべての非同期イベントの最初には、（すべての計算は、グローバルクロックに従って実施されている）のアドレスは、従来のチップ設計と異なっていることを示しているが、SNNは希薄であるため、非同期イベントトリッピングコンピューティングモデルは、パルス計算に適しています。

チップネットワーク（ネットワーク・オン・チップのNOC）はインパルス通信のために使用することができる、ネットワークルータNoCは、オンチップバストランシーバを多重化する時分割を使用してデータパケットです。大規模なチップはN0Cを使用する必要があり、ウェハ処理ので、メイン接続は、第三の次元における柔軟性の二次元の、限られた程度です。したがって、NOCの使用が、エクステントユニコムチップは依然として三次元脳接続と比較することができません。含むTrueNorthは、ロイヒなどの大規模なデジタルニューラルチップを含め、我々はSNNに加えて、技術の応用の効果を実証しています。これは、生物学的なシミュレーション技術に近いに私たちをことができます。しかし、限られた接続性、NOCバス帯域幅の制限、およびデジタルスチルさらなる研究が必要です。

メムリスティブ内積

シミュレーションの一例として、メモリスティブドット積（Memristivedotproducts）を算出し、その場ニューロモルフィックを達成するための有望な方法です。しかし、現在の空間メムリスティブ両方がクロススイッチング回路の解析は非常に複雑な問題となることができる応じて生成されたドット積の配列したデータの依存関係を表します。研究のクロスバー回路の非理想的な状態の効果は、精度に影響を与えません内積トレーニング法を軽減探るあまりありませんが、これらの努力のほとんどは、ニューラルネットワークの深さに代わりのSNNに焦点を当ててきました。しかし、我々は合理的に想定することができ、これらの努力デバイスと回路の基本的なアイデアの開発もSNNを達成するために使用することができます。既存の作業は、シミュレーション・パスを実行するための洗練された機器はしっかりと精度の損失を最小化するために、学習アルゴリズムで結合されなければならない必要があります。理論モデルのクロスバーの最新設備の配列、および理論的な境界エラー内積を確立するための努力に基づき、懸念の原因となります。これは1パスアルゴリズムのシミュレーション反復時間がかかり、機器の設計なしでアルゴリズムの設計を可能にする、新しい学習アルゴリズムを探ることができるようになりますが、また、ハードウェアの問題の矛盾を解決することができます。

SARS「AI黒技術」に対する358アリの戦いは日本に上陸します

今日（4月3日）は、ニュースを見ました：賞賛中国の日本のメディアポイントの数は、流行の「ブラック技術を」戦う：アリAI保健病院の医療技術が日本に上陸しました。

GlotechTrendsを含む、20枚の以上の日本の技術のメディアを含む宮崎デイリーニュース、Gunosy、インフォシークでは、日本は健全なアリ（アリ雲の関節、達磨病院）R＆Dを導入することで、新たなクラウン肺炎AI検出技術を報告する文書を発行しました：

（以前に中国ほぼ170病院のライン上の）最先端技術の96％のCT検出精度率の新しい冠疑われる症例を完了するために20秒。

キャッチウイルス感染を検出するための拡張速度を国の能力をしていなかったの拡大：ヨーロッパのパンクの理由は場合は、専門家は信じて、約および「医療ボトルネック」に続く「ボトルネックを検出」する可能性があることが確認されました。

このニュースデジャヴにおける日本のメディア！実際には、一部の人々はすでに並んコメントの保つために、物品258で報告されています：2月15日アリダルマ研究所（米国アリ雲が）AI診断技術の新しいセットを開発し、20秒で新しいクラウン肺炎の疑い例のCT画像を作ることができます96％の解析、認識正解率を分析します。祝福AIでは、NLP自然言語による遡及データを扱う、畳み込みニューラルネットワークCNNネットワークのトレーニングCT画像を使用して、AIはすぐに新しいイメージクラウン肺炎を識別し、解釈することができます。

このような理由から、私はアリAI AI技術の専門家はSARSとの戦い、コメンター（および編集者）に遅れないようにするように二つのAIを開発賞賛するために貢献として発行後れをタイムリーに報告保つために繰り返します。

新しいクラウン肺炎の戦闘で359は、公衆衛生の分野における情報技術の中国最大のAIアプリケーションは、デジタル医療のリーダーとなっています

4月3日のアメリカの経済学者デビッド - ゴールドマン朱全忠：完全に中国のデジタルヘルスケアリーダーを反映して、この新しいクラウン肺炎の戦い、。

中国の動きは宣伝ではなく、遷移モード技術は、公衆衛生の中国の成果は無愛想です。

1月の終わりの初めから、中国の正しいアプローチは、2つの側面が時間内に後方レースに来ていたことを西リアライズに流行になるはずです！

中国の情報技術の応用の最大分野、公衆衛生、および配置するために追跡ウイルスの潜在的なキャリアを含む従来の公衆衛生対策、との組み合わせで、可能性のある感染ノードを識別、14億人の人口の大部分のための生活これは、継続的なモニタリングを備えており、スマートフォンのアプリケーションの使用は個々のアイソレーションを管理すること。

主要なヨーロッパの製薬会社は、中国の新しいトレンドをリードする医療分野への参加に興味があること - 新しいクラウン肺炎の流行は、自分の能力、結果は衝撃的なたを表示するには、中国のための機会を与えています。

360新しいツールを学ぶの深さ - 高速訓練されたニューラルネットワークPANN / P-ネットワーク

P-ネットワークは新しいプログレッシブ人工ニューラルネットワークであり、それは新しいトレーニング方法は、より効率的なトレーニングスピードを提供し使用します。

古典的な人工ニューラルネットワークANNは、主被写体を訓練：ANNは、各シナプスは、重量があり、ニューラルネットワークANNの訓練を達成するために、右の画像を訓練することによって再計算し、修正され、彼らの訓練は繰り返しの多い介して行われます遅いトレーニング、新しいニューラルネットワークの設計は、ネットワーク・Pである：各シナプスの重みは、補正、信号の値に応じて選択ディスペンサーによる補正量、したがって異なる複数の入力を有しています信号は、異なる重みを開始してもよいし、重みはシナプスニューロン約接続に送信されます。

P ANNの訓練訓練を受けた典型的なネットワークと比較されるように、トレーニングネットワーク1msのと同じ速度でPの精度は、DNNは22141msとして、前者ははるかに高速です！

361清華「秘密」チップをベースに、「陵西の技術は、」無人のバイクを達成することができます

「西陵技術は、」（設定2018.1）脳チップの開発者のタイプです

自転車は、対象は、障害物回避を回し、直追従するバランスセンサ本体を確実にするために移動するターゲットを追跡し、音声認識が可能な、感度に応じて調整、該当しない本体に装着することができ、操舵、加速度、およびその他の操作によって実行される音声コマンド。

「天国の動きは、」（2019.8は、自然のカバーに乗り込み）世界初のヘテロジニアスコンバージド脳のチップを開発した清華大学教授ル・ピン市のチームです。

4本足の「ロボット犬」を勉強することは、本AIの専門家で、362はまだ同じ容量で「本当の犬」を持っていません。

強力な能力「ロボット犬」にもかかわらず、彼らはしばしば、実際の動物と比較することはできません現時点で！理由の一部は、あなたが学びたいか、やって彼らのように真似ので、さまざまなアクションが「本物の犬」の体から直接に困難なことです。

4本足の「ロボット犬」actionが「本物の犬」のようにすることができようにする方法を見つけるための試みで、カリフォルニア大学バークレー校でGoogleの協力：光トロットは、迅速な行動を上昇して下落しました。

トレーニングプロセスでは、それは絶えず調整するだけでなく、通常の順序で制御カオスのビットを追加するために、すべてのスキルの長いと慎重な観察を行うために、専門家の見識の高い学位を必要とします。通常、犬の行動を撮影したが、足、関節や他のキーポイントは慎重に「ロボット犬」見て、「ロボット犬」のR＆Dの仮想バージョンとしてモデル化されるデジタル・シミュレーションでは、これらの点を追跡するために、仮想を使用しようとします「ロボット犬」模倣「本物の犬」のアクションにアクション、学習および改革。

質問は今、現実の世界では、補正されていないアナログ歩行がする「ロボット」地面に落ちたことを意味していない2次元平面、また理想化された摩擦力ZHA仕様、で、です。

研究者は、特に、追加の仮想訓練では、このランダム性に適応するために学ぶことによってランダムの物理的な要素に使用されるシミュレーションパラメータに導入されます。

現在、「ロボット犬」研究開発は大きな成果を行いましたが、それでも仕事道路上。

363は、ブレイン・マシン・インタフェース技術の開発を促進し、研究開発の制御アイデアが心を読み取ります

BCIは、随時出てくる例数の開発の初期段階に現在あります。カリフォルニア大学バークレー校、ケンドリックの大学 - 私たちは、彼が収集した情報を共有するためのケイ：

アメリカの麻痺脳卒中患者は、その患者は、最終的に編集、電子メール、プレイ動画のアイデアを使用する方法を学ぶことを、ブレイン・マシン・インタフェースのテスト、彼の脳に移植されたチップのためのボランティア活動、およびラップトップに、このチップを接続しますゲームやインターネット。

日本のホンダの会社はロボットを製造している、ヘルメットの従業員を身に着けているこの時間は、心の活動を通じて、ロボットを制御することができます。

画像を検出することで、特定の彼は多くの画像から見た画像、及びその脳活動を識別するためのボランティアを復元することができブレイン・マシン・インタフェースを：ケイは、彼らが勉強していると述べました。

ケイは、ヘルプ心リーダーのマインドコントロールを開発し、彼は「アイデア辞書」を策定された彼は脳波信号を解読することができ、コンピュータプログラムを開発していると述べました。

追伸「新しい評価段階にどのようにAI」

「どのようにAIを新しい評価段階に」ポストスクリプト（1延期）

「どのようにAIを新しい評価段階に」ポストスクリプト（2延期）