桑迪亚国家实验室的研究人员正在从大脑中的神经元中汲取灵感

计算卡在车辙中。在过去的50年的技术革命中，为集成电路供电的集成电路已达到其物理极限。桑迪亚国家实验室的研究人员正在从大脑中的神经元中汲取灵感，例如鼠标新皮质中这些绿色荧光蛋白标记的神经元，目的是开发受神经启发的计算系统以重新启动计算。

这种困境使计算机科学家们争相提出新的想法：使用新颖物理学构造的新设备，计算机内部单元组织的新方式，甚至是更有效地使用新系统或现有系统的算法。为了帮助协调新想法，桑迪亚国家实验室(Sandia National Laboratories)协助组织了10月17日至19日举行的电气与电子工程师协会(IEEE)重新启动计算国际会议。

桑迪亚数据驱动和神经计算系的研究人员将在会议上发表三篇论文，重点介绍了潜在的非传统神经计算应用的广度。

“我们正在努力探索神经算法的作用范围。我们不是试图详尽无遗，而是试图强调算法可能在其上产生影响的应用程序类型。”计算神经科学家布拉德·艾蒙(Brad Aimone)说，他是一篇论文的合著者。他补充说，从历史上看，神经计算被视为近似和模糊的。但是，桑迪亚(Sandia)研究人员在论文中旨在扩展神经算法，使其具有严格性和可预测性，这表明它们可能在高性能科学计算中发挥作用。

这三篇论文的标题分别为Craig Vineyard和Steve Verzi的“克服静态学习瓶颈-自适应神经学习的需求”。Fred Rothganger的“利用动力系统进行计算”;William Severa，Ojas Parekh，Kris Carlson，Conrad James和Aimone撰写的“科学计算的加标网络算法”。

不断学习的麻烦和好处

大脑在不断学习。“虽然我们确实在学校学习，但是当学校结束时，我们的学习不会停止。相反，我们的大脑通过突触修饰等过程不断适应。但是，大多数机器学习算法只能学习一次并完成。”计算机科学家Vineyard说。

大多数所谓的机器学习算法都有一个学习阶段以及一个单独的测试和操作阶段。这确实很耗时。Vineyard说，雄心勃勃且具有挑战性的尝试来开发不断学习的算法，也冒着该算法“学习”错误的风险。

他的论文主张继续学习，并建议使用博弈论(逻辑决策的数学方法，例如何时清除垃圾以及何时希望室友为您做这件事)，以提高算法何时决策的准确性。应该学习。

反正什么是动力系统?

动力系统是描述事物如何随时间变化的方程式。一个简单的动力系统是描述祖父钟摆运动的功能。“使用动态系统进行计算的想法是制造一台机器，使其动力学(与机器的结构或数学的结构有关)将根据问题的产生将其引导至答案，”计算机科学家Rothganger说。

Rothganger说，我们的大脑以及某种程度上的传统计算机都是动态系统：它们仅基于问题以及计算机的构造方式找到答案。他的论文提出，如果研究人员将传统的科学计算问题(矩阵分解)视为动力系统，则可以在神经系统上严格解决它们。

Rothganger说：“我正在研究的想法有很多潜力，也有很多风险。” 如果他的想法可行，“它将在神经算法和传统数值算法之间提供一个统一点。”

工匠数学家制作尖峰网络算法

第三篇论文确定了三种手工制作的算法，这些算法使用精心布置的尖刺状神经元节点来执行精确的计算。在大脑中，每个神经元都与许多其他神经元相连，并利用电的尖峰进行交流。数学家Severa及其合作者从大脑的这些方面获得了启发。

这些创新算法的一个示例是一种称为粒子图像测速的流量估算。通过拍摄两张尘埃在空中移动的照片，并弄清它们在两次照片之间的间隔时间，研究人员可以确定空气的速度和任何局部涡流。他说，这可以在使用花式数学的传统计算机上完成，但是Severa的方法利用了神经元的大规模并行特性来有效地计算所有可能的移位。

“通过仔细设计您的网络和神经元的属性，您可以做精确的事情，” Severa说。“您可以超越神经网络的预期范围。”

未来是否会在您的手机中安装受神经启发的计算机，这些计算机能够理解“给我看一张蓬松的可爱照片”和“订购我最喜欢的菜”之类的短语，或者神经计算机是否还可以与未来的量子计算机一起快速解决难题? Aimone说，计算需要重新设计，很快。他说，通过召集许多不同学科的专家，国际重新启动计算大会旨在培育新思想并推动这场革命。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！