바이오 영감을 받은 컴퓨팅

Bio-inspired computing
이 글은 생물학을 컴퓨팅의 영감으로 사용하는 것에 관한 것이다. 생물학적 부품으로 구성된 컴퓨터의 경우 생물학적 컴퓨팅을 참조하십시오. 생물학의 데이터 분석 및 수학적 모델링에 대해서는 Computing biology를 참조하십시오.

생물학적으로 영감을 받은 컴퓨팅의 줄임말인 생물학적으로 영감을 받은 컴퓨팅은 생물학의 모델을 이용하여 컴퓨터 과학 문제를 해결하고자 하는 연구 분야다. 그것은 연결주의, 사회적 행동, 그리고 출현과 관련이 있다. 컴퓨터 과학에서, 생물학적으로 영감을 받은 컴퓨팅은 인공지능과 기계학습과 관련이 있다. 생물학적으로 영감을 받은 컴퓨팅은 자연 컴퓨팅의 주요 부분집합이다.

연구 분야

생물학적으로 영감을 받은 컴퓨팅에 대한 연구 영역과 그에 대한 생물학적 연구 영역:

바이오에 영감을 받은 컴퓨팅 주제 생물학적 영감
유전 알고리즘 진화
생분해성 예측 생물분해
셀룰러 오토마타 인생
출현 개미, 흰개미, 벌, 말벌
신경망 뇌
인공생명체 인생
인공 면역 체계 면역계
렌더링(컴퓨터 그래픽) 동물 가죽, 새 깃털, 연체동물 껍질 및 박테리아 군집의 패터닝 및 렌더링
린덴마이어 시스템 플랜트 구조물
통신 네트워크 및 통신 프로토콜 역학
멤브레인 컴퓨터 살아있는 세포의 기억 내 분자 처리
흥분성 매체 산불, "파도", 심장 상태, 축대
센서 네트워크 감각 기관
학습 분류기 시스템 인지, 진화

인공지능

바이오에 영감을 받은 컴퓨팅은 컴퓨터 학습에 대한 접근방식으로 기존의 인공지능과 구별할 수 있다. 생물학적으로 영감을 받은 컴퓨팅은 기존 A 방식과 달리 진화적 접근 방식을 사용한다.I.는 '창조론자' 접근법을 사용한다. 생물학적으로 영감을 받은 컴퓨팅은 일련의 간단한 규칙과 그러한 규칙을 따르는 단순한 유기체로부터 시작된다. 시간이 지남에 따라, 이 유기체들은 단순한 제약조건 안에서 진화한다. 이 방법은 상향식 또는 분산형으로 간주될 수 있다. 전통적인 인공지능에서, 지능은 종종 위에서부터 프로그램된다: 프로그래머는 창조자이고, 무언가를 만들고 그것의 지능과 그것을 섞는다.

가상 곤충의 예

생물학적으로 영감을 받은 컴퓨팅은 가상 곤충을 훈련시키는 데 사용될 수 있다. 이 곤충은 6가지 간단한 규칙이 있는 먹이를 찾기 위해 알려지지 않은 지형을 항해하도록 훈련받는다.

  • 목표물과 목표물을 왼쪽으로 우회전한다.
  • 좌회전하여 과녁을 오른쪽으로 향한다.
  • 좌회전하여 표적 좌회전-우회전
  • 오른쪽-오른쪽-오른쪽-왼쪽 방향에서 우회전.
  • 장애물 없이 좌회전하여 표적 좌회전
  • 장애물 없이 오른쪽을 향해 우회전하다

훈련된 스파이크 신경망에 의해 조종되는 가상 곤충은 알려지지 않은 어떤 지역에서 훈련한 후에 먹이를 찾을 수 있다.[1] 몇 세대에 걸친 규칙 적용 후, 어떤 형태의 복잡한 행동이 발생하는 경우가 대부분이다. 복잡성은 최종 결과가 현저하게 복잡한 것이 될 때까지 복잡성을 기반으로 형성되며, 원래 규칙이 만들 것으로 예상되었던 것과 완전히 반대되는 경우가 꽤 많다(복잡한 시스템 참조). 이 때문에 신경망 모델에서는, 시스템 복잡성이 증가함에 따라 통계적 추론과 외삽을 정제하는 데 사용할 수 있는 「소음」계수의 실시간 수집에 의해, 생체내 네트워크를 정확하게 모델링할 필요가 있다.[2]

자연 진화는 이 방법의 좋은 비유다 - 진화의 규칙(선택, 재결합/재생산, 돌연변이 및 더 최근의 전환)은 원칙적으로는 단순한 규칙이지만, 수백만 년에 걸쳐 현저하게 복잡한 유기체를 만들어냈다. 유사한 기술이 유전 알고리즘에 사용된다.

뇌에서 영감을 받은 컴퓨팅

뇌에서 영감을 받은 컴퓨팅은 뇌를 완전히 모방하기보다는 뇌의 메커니즘에 주로 기반을 둔 컴퓨터 모델과 방법을 말한다. 기계가 인간의 다양한 인지 능력과 조정 메커니즘을 두뇌에 영감을 받은 방식으로 실현하고, 최종적으로 인간의 지능 수준을 달성하거나 초과할 수 있도록 하는 것이 목표다.

리서치

인공지능 연구자들은 이제 뇌 정보 처리 메커니즘에서 배우는 것의 이점에 대해 알고 있다. 그리고 뇌과학과 신경과학의 발전은 인공지능이 뇌 정보처리 메커니즘으로부터 배우는데 필요한 기초를 제공하기도 한다. 뇌와 신경과학 연구자들 또한 뇌 정보 처리의 이해를 더 넓은 범위의 과학 분야에 적용하려고 노력하고 있다. 정보기술과 스마트기술의 추진으로 인한 규율적 편익의 발전, 나아가 두뇌와 신경과학의 발전도 정보기술의 차세대 변혁을 고무시킬 것이다.

뇌과학이 뇌에서 영감을 받은 컴퓨팅에 관한 연구

뇌와 신경과학의 발전, 특히 신기술과 신장비의 도움으로 연구자들이 서로 다른 실험 방법을 통해 뇌의 다단계, 다종류의 생물학적 증거를 얻을 수 있도록 지원하고, 다른 측면과 기능적 기초로부터 생체지능의 구조를 밝혀내려고 노력하고 있다. 미시적 뉴런, 시냅스 작용 메커니즘 및 그 특징, 중시경 네트워크 연결 모델, 거시적 뇌 간격의 링크와 그 시너지 특성에 이르기까지, 이러한 실험 및 기계론적 연구에서 도출된 뇌의 다단계 구조와 기능 메커니즘은 imf를 제공할 것이다.미래의 두뇌 집약적인 컴퓨팅 모델 구축에 대한 풍부한 [3]영감

뇌에서 영감을 받은 칩

광범위하게 말하면 뇌에서 영감을 받은 칩은 인간의 뇌 뉴런의 구조와 인간의 뇌 인지 모드를 참고하여 설계된 칩을 말한다. 분명히 '신형 칩'은 인간의 뇌 뉴런 모델과 그 조직 구조를 참조하여 칩 구조의 설계에 초점을 맞춘 뇌 자극형 칩으로, 뇌에서 영감을 받은 칩 연구의 주요 방향을 대변한다. 각국에서 '뇌계획'이 부상·발전하는 것과 함께, 국제적으로 폭넓은 관심을 받아 학계와 업계에 잘 알려진 뉴로모픽칩에 대한 연구결과가 대거 등장했다. 예를 들어 EU가 지원하는 SpiNaker와 BrainScaleS, 스탠포드 뉴로그리드, IBM의 TrueNorth, 퀄컴의 제롯 등이 그것이다.

TrueNorth는 IBM이 10년 가까이 개발해 온 뇌에서 영감을 얻은 칩이다. 미국의 DARPA 프로그램은 2008년부터 IBM에 지능형 처리를 위한 펄스 신경 네트워크 칩을 개발하기 위한 자금을 지원하고 있다. 2011년 IBM은 뇌처럼 정보를 배우고 처리할 수 있는 뇌 구조를 시뮬레이션해 두 가지 인지 실리콘 시제품을 처음 개발했다. 뇌에서 영감을 받은 칩의 각 뉴런은 거대한 병렬과 교차 연결된다. 2014년 IBM은 '트루노스(TrueNorth)'라는 2세대 두뇌집약형 칩을 출시했다. 1세대 뇌영양 칩과 비교하면 트루노스 칩의 성능이 획기적으로 증가해 뉴런 수는 256만6천개에서 100만개로, 프로그램 가능한 시냅스 수는 26만2천144개에서 2억5천6백만개로, 총 전력 소비량 70mW와 전력 소모량인 아시냅스 작동.평방 센티미터 당 20 mW의 n 동시에 True North는 1세대 뇌칩의 15분의 1에 불과한 핵량을 처리한다. 현재 IBM은 실시간 비디오 처리 능력을 갖춘 16개의 TrueNorth 칩을 사용하는 뉴런 컴퓨터의 프로토타입을 개발했다.[4] 트루노스 칩의 초고속 지표와 우수성이 공개 초기 학계에 큰 파장을 일으켰다.

2012년 중국과학원(CAS) 전산기술연구소와 프랑스 인리아가 손잡고 세계 최초로 칩을 개발해 심층신경망 프로세서 아키텍처 칩 '캠브리안'을 지원했다.[5] 이 기술은 컴퓨터 아키텍처, ASPLO스, 마이크로 분야에서 최고의 국제 컨퍼런스를 석권했으며, 설계 방법과 성능은 국제적으로 인정받고 있다. 이 칩은 뇌에서 영감을 받은 칩의 연구 방향의 뛰어난 대표로서 사용될 수 있다.

뇌에서 영감을 받은 컴퓨팅의 당면 과제

불분명한 뇌 메커니즘 인식

인간의 뇌는 진화의 산물이다. 구조와 정보처리 메커니즘은 지속적으로 최적화되지만 진화 과정에서 타협이 불가피하다. 두개골 신경계는 다단계 구조다. 뉴런 척도의 미세한 연결구조, 뇌 척도 피드백의 메커니즘 등 각 척도의 정보처리 메커니즘에는 여전히 몇 가지 중요한 문제가 있다. 따라서 뉴런과 시냅스의 수를 종합적으로 계산해도 인간의 뇌 크기의 1000분의 1에 불과하며, 현재 과학 연구의 수준에서는 여전히 연구하기가 매우 어렵다.[6]

불분명한 두뇌 기반 컴퓨터 모델 및 알고리즘

향후 인지 뇌 컴퓨팅 모델의 연구에서는 다단계 뇌 신경계통 데이터 분석 결과를 바탕으로 뇌 정보 처리 시스템을 모델링하고, 뇌에서 영감을 받은 다단계 신경 네트워크 컴퓨팅 모델을 구축하며, 다단계 뇌 다단계성을 시뮬레이션하는 것이 필요하다. 지각, 자기 학습 및 기억력, 선택과 같은 지능적인 행동 능력. 머신러닝 알고리즘은 유연성이 떨어지고 대규모로 수동으로 라벨을 붙이는 고품질 샘플 데이터가 필요하다. 교육 모델에는 많은 계산적 오버헤드가 필요하다. 뇌에서 영감을 받은 인공지능은 여전히 발달된 인지능력과 추론학습능력이 부족하다.

제한된 컴퓨터 아키텍처 및 기능

기존의 뇌에서 영감을 받은 칩은 여전히 폰 노이만 건축의 연구에 기초하고 있으며, 칩 제조 재료의 대부분은 여전히 전통적인 반도체 소재를 사용하고 있다. 신경 칩은 뇌 정보 처리의 가장 기본적인 단위만 빌리고 있다. 저장과 컴퓨터 융합, 맥박 방출 메커니즘, 뉴런 사이의 연결 메커니즘 등 가장 기본적인 컴퓨터 시스템, 그리고 서로 다른 규모의 정보 처리 장치 사이의 메커니즘은 뇌에서 영감을 받은 컴퓨팅 아키텍처의 연구로 통합되지 않았다. 이제 중요한 국제적 흐름은 나노미터와 같은 신소재를 기반으로 뇌메리스터, 기억용기, 감각 센서와 같은 신경 컴퓨팅 요소를 개발하여 보다 복잡한 뇌에서 영감을 받은 컴퓨팅 아키텍처의 구축을 지원하는 것이다. 뇌에서 영감을 받은 컴퓨터와 뇌에서 영감을 받은 칩 개발에 기반한 대규모 뇌 컴퓨팅 시스템의 개발은 또한 그것의 넓은 응용을 지원하기 위한 상응하는 소프트웨어 환경이 필요하다.

참고 항목

목록

참조

  1. ^ Xu Z; Ziye X; Craig H; Silvia F (Dec 2013). Spike-based indirect training of a spiking neural network-controlled virtual insect. IEEE Decision and Control. pp. 6798–6805. CiteSeerX 10.1.1.671.6351. doi:10.1109/CDC.2013.6760966. ISBN 978-1-4673-5717-3.
  2. ^ Joshua E. Mendoza. ""Smart Vaccines" – The Shape of Things to Come". Research Interests. Archived from the original on November 14, 2012.
  3. ^ 徐波，刘成林，曾毅.类脑智能研究现状与发展思考[J].中国科学院院刊,2016,31(7):793-802.
  4. ^ "美国类脑芯片发展历程". Electronic Engineering & Product World.
  5. ^ Chen T, Du Z, Sun N 등. Diannao: 유비쿼터스 머신러닝/ACM Sigplan Notice를 위한 작은 풋프린트의 높은 처리량 가속기. 뉴욕: ACM, 2014, 49(4): 269-284
  6. ^ Markram Henry , Muller Eillif , Ramaswamy Srikanth 재구축 및 신질소 회로 시뮬레이션 [J].셀, 2015, Vol.163(2), 페이지 456-92PubMed.

추가 읽기

(다음은 복잡성과 깊이의 오름차순으로 제시되며, 해당 분야에 새로 입문한 사람들은 위에서부터 시작하는 것이 좋다.)

외부 링크