根據(jù)賓夕法尼亞州立大學(xué)的研究團(tuán)隊，大腦里有一種細(xì)胞被稱為星形膠質(zhì)細(xì)胞，弄清晰其功能，以物理硬件設(shè)備模擬，可能形成高效的人工智能(AI)和機器學(xué)習(xí)，比目前技術(shù)更擅長自主自我糾錯，消耗更少的能量。
星形膠質(zhì)細(xì)胞因其星形而得名，是一種膠質(zhì)細(xì)胞，是大腦神經(jīng)元的支持細(xì)胞。它們在記憶、學(xué)習(xí)、自我修復(fù)和同步等大腦功能中發(fā)揮著至關(guān)重要的作用。
電子工程和計算機科學(xué)助理教授Abhronil Sengupta說:“這個項目源于計算神經(jīng)科學(xué)最近的觀察，因為人們對大腦如何工作已經(jīng)付出了大量的努力，有了一定理解，并且正在試圖修改簡單的神經(jīng)元-突觸連接模型。”“事實證明，大腦中還有第三種成分——星形膠質(zhì)細(xì)胞，它是大腦細(xì)胞的重要組成部分，但它在機器學(xué)習(xí)和神經(jīng)科學(xué)中的作用一直被忽視。”
與此同時，人工智能和機器學(xué)習(xí)領(lǐng)域生機勃勃。根據(jù)分析公司Burning Glass Technologies的數(shù)據(jù)，到2025年，人工智能和機器學(xué)習(xí)技能的需求預(yù)計將以71%的復(fù)合增長率增長。然而，隨著這些技術(shù)的使用增加，人工智能和機器學(xué)習(xí)面臨著挑戰(zhàn)——消耗大量能源。
Sengupta說:“人工智能和機器學(xué)習(xí)一個經(jīng)常被低估的問題是系統(tǒng)的功耗。例如，幾年前，IBM試圖模擬一只貓的大腦活動，結(jié)果消耗了大約幾兆瓦的電力。如果在我們今天可以擁有的最好的超級計算機上模擬人類大腦活動，功耗遠(yuǎn)不止這個數(shù)。”
所有這些電力消耗都是由于開關(guān)、半導(dǎo)體和其他發(fā)生在計算機處理中的機械和電子過程的復(fù)雜舞蹈，當(dāng)這些過程像人工智能和機器學(xué)習(xí)所要求的那樣復(fù)雜時，這種舞蹈將大大增加。一個潛在的解決方案是神經(jīng)形態(tài)計算，即模擬大腦功能的計算。研究人員之所以對神經(jīng)形態(tài)計算感興趣，是因為人腦已經(jīng)進(jìn)化到比計算機消耗更少的能量，所以模仿這些功能將使人工智能和機器學(xué)習(xí)更節(jié)能。
另一種可能用于神經(jīng)形態(tài)計算的大腦功能是大腦如何自我修復(fù)受損的神經(jīng)元和突觸。
Sengupta說:“星形膠質(zhì)細(xì)胞在大腦的自我修復(fù)中發(fā)揮著非常重要的作用。”“當(dāng)我們試圖想出這些新的設(shè)備結(jié)構(gòu)時，我們試圖形成一個人工神經(jīng)形態(tài)硬件的原型，這是由許多硬件級故障的特征。因此，也許我們可以從計算神經(jīng)科學(xué)中獲得見解，基于星形膠質(zhì)細(xì)胞如何在大腦中引起自我修復(fù)，并利用這些概念可能導(dǎo)致神經(jīng)形態(tài)硬件的自我修復(fù)，以修復(fù)這些故障。”
Sengupta的實驗室主要研究自旋電子設(shè)備，這是一種通過自旋電子處理信息的電子設(shè)備。研究人員檢查了這些設(shè)備的磁性結(jié)構(gòu)，以及如何通過在設(shè)備的內(nèi)在物理學(xué)中模擬大腦的各種神經(jīng)突觸功能來使它們具有神經(jīng)形態(tài)。
研究人員還為此開發(fā)了神經(jīng)科學(xué)模型，包括星形膠質(zhì)細(xì)胞模型，以了解星形膠質(zhì)細(xì)胞功能的哪些方面與他們的研究最相關(guān)。他們還建立了自旋電子器件的理論模型。
這項研究是1月份發(fā)表在《神經(jīng)科學(xué)前沿》上的一項研究的一部分。這項研究的結(jié)果最近也發(fā)表在了該雜志上。
