工程师打造类似乐高的人工智能芯片

想象一个更可持续的未来，手机、智能手表和其他可穿戴设备不必为了更新型号而被搁置或丢弃。相反，它们可以使用最新的传感器和处理器进行升级，这些传感器和处理器可以安装到设备的内部芯片上——就像整合到现有构建中的乐高积木一样。这种可重新配置的芯片件可以使设备保持最新状态，同时减少我们的电子浪费。

现在，麻省理工学院的工程师已经朝着模块化愿景迈出了一步，他们采用了类似乐高的设计，可堆叠、可重新配置的人工智能芯片。

该设计包括交替的传感和处理元件层，以及允许芯片层进行光学通信的发光二极管 (LED)。其他模块化芯片设计采用传统布线在层之间中继信号。这种复杂的连接即使不是不可能也很难切断和重新布线，使得这种可堆叠的设计不可重新配置。

麻省理工学院的设计使用光而不是物理线来通过芯片传输信息。因此，芯片可以重新配置，层可以交换或堆叠，例如添加新的传感器或更新的处理器。

“您可以根据需要添加任意数量的计算层和传感器，例如用于光、压力甚至气味的传感器，”麻省理工学院博士后 Jihoon Kang 说。“我们称其为类似乐高的可重构 AI 芯片，因为它根据层的组合具有无限的可扩展性。”

研究人员渴望将该设计应用于边缘计算设备——自给自足的传感器和其他电子设备，它们独立于任何中央或分布式资源(如超级计算机或基于云的计算)工作。

“随着我们进入基于传感器网络的物联网时代，对多功能边缘计算设备的需求将急剧扩大，”麻省理工学院机械工程副教授 Jeehwan Kim 说。“我们提出的硬件架构将在未来提供高度通用的边缘计算。”

该团队的研究结果发表在Nature Electronics上。

照亮道路

该团队的设计目前配置为执行基本的图像识别任务。它是通过由人工突触制成的图像传感器、LED 和处理器的分层实现的——该团队先前开发的记忆电阻器或“忆阻器”阵列，它们共同充当物理神经网络，或“脑对芯片。” 可以训练每个阵列直接在芯片上处理和分类信号，无需外部软件或互联网连接。

在他们的新芯片设计中，研究人员将图像传感器与人工突触阵列配对，他们训练每个突触阵列识别某些字母——在本例中为 M、I 和 T。而传统的方法是将传感器的信号传递给处理器通过物理线路，该团队改为在每个传感器和人工突触阵列之间制造一个光学系统，以实现各层之间的通信，而无需物理连接。

麻省理工学院博士后 Hyunseok Kim 说：“其他芯片通过金属进行物理布线，这使得它们很难重新布线和重新设计，因此如果你想添加任何新功能，你需要制造一个新芯片。” “我们用光通信系统取代了物理线路连接，这让我们可以自由地以我们想要的方式堆叠和添加芯片。”

该团队的光通信系统由成对的光电探测器和 LED 组成，每个都有微小的像素图案。光电探测器构成用于接收数据的图像传感器，以及用于将数据传输到下一层的 LED。当信号(例如字母的图像)到达图像传感器时，图像的光模式对 LED 像素的特定配置进行编码，这反过来又会刺激另一层光电探测器以及人工突触阵列，该阵列基于对信号进行分类关于入射 LED 光的图案和强度。

叠起来

该团队制造了一个芯片，其计算核心尺寸约为 4 平方毫米，或大约是一块五彩纸屑的大小。该芯片堆叠了三个图像识别“块”，每个“块”包括一个图像传感器、光通信层和人工突触阵列，用于对三个字母 M、I 或 T 中的一个进行分类。然后，它们将随机字母的像素化图像照射到芯片并测量每个神经网络阵列响应产生的电流。(电流越大，图像确实是特定数组被训练识别的字母的可能性就越大。)

研究小组发现，该芯片可以正确分类每个字母的清晰图像，但它无法区分模糊图像，例如 I 和 T。但是，研究人员能够快速更换芯片的处理层以获得更好的“去噪”处理器，并找到芯片，然后准确识别图像。

“我们展示了可堆叠性、可替换性以及将新功能插入芯片的能力，”麻省理工学院博士后 Min-Kyu Song 指出。

研究人员计划为芯片增加更多的传感和处理能力，他们设想应用是无限的。

“我们可以在手机的摄像头上添加图层，这样它就可以识别更复杂的图像，或者将这些图像制作成可以嵌入可穿戴电子皮肤的医疗监视器，”Choi 说，他和 Kim 之前开发了一种“智能”皮肤，用于监控生命体征。迹象。

他补充说，另一个想法是内置于电子产品中的模块化芯片，消费者可以选择使用最新的传感器和处理器“砖”进行构建。

“我们可以制作一个通用的芯片平台，每一层都可以像视频游戏一样单独出售，”Jeehwan Kim 说。“我们可以制作不同类型的神经网络，比如用于图像或语音识别，让客户选择他们想要的东西，然后添加到现有的芯片中，比如乐高积木。”

除了 Kim 和 Kang，麻省理工学院的作者还包括共同第一作者 Chanyeol Choi、Hyunseok Kim 和 Min-Kyu Song，以及特约作者 Hanwool Yeon、Celesta Chang、Jun Min Suh、Jiho Shin、Kangye Lu、Bo-In Park、 Yeongin Kim、Han Eol Lee、Doyoon Lee、Subeen Pang、Sang-Hoon Bae、Hun S. Kum 和 Peng Lin，以及来自哈佛大学、清华大学、浙江大学和其他地方的合作者。

标签：