印第安纳大学卢迪信息学、计算与工程学院智能系统工程副教授FengGuo正在通过开发一种新的混合计算系统(被称为“Brainoware”)来解决人工智能计算硬件的技术限制。将电子硬件与人脑类器官相结合。

由专用硅计算机芯片驱动的机器学习和深度学习等先进人工智能技术会消耗大量能源。因此，工程师们根据人脑的结构和功能设计了神经形态计算系统，以提高这些技术的性能和效率。然而，这些系统在完全模拟大脑功能方面仍然受到限制，因为大多数系统都是基于数字电子原理构建的。

为此，郭和印第安纳大学的研究人员团队(包括研究生蔡宏伟)开发了一种混合神经形态计算系统，该系统将大脑类器官安装到多电极分析上以接收和发送信息。脑类器官是源自干细胞的类脑3D细胞培养物，其特征在于不同的脑细胞类型，包括神经元和神经胶质细胞，以及脑室区等脑样结构。

郭说：“Brainoware使用人脑类器官作为适应性活体储存库，通过大脑类器官的神经可塑性处理时空信息来进行无监督学习。”“我们的方法允许人工智能计算的进步，因为类器官提供了具有一定复杂性的生物神经网络，以及低能耗和快速学习。”

在开发其混合计算系统时，该团队展示了大脑类器官在提高储库计算能力方面的主要潜力，储库计算是一种基于基于一系列电刺激捕获和记忆信息的想法的人工神经网络。在一系列测试中，Brainoware能够快速识别语音模式并执行复杂的非线性数学方程。

“通过电刺激训练，我们能够从说话者群体中区分出一个人的元音，”郭说。“通过训练，我们触发了混合计算系统的无监督学习。”

近年来，郭因其在人工智能芯片实验室技术和阿片类药物过量检测贴片方面的开创性工作而获得了多项重大资助。他的实验室目前专注于通过生命科学和转化医学应用的人工智能、设备、传感器和系统的创新来开发智能生物医学系统。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：