4、脑启发的机器学习方法、硬件及相关数据集解析

脑启发的机器学习方法、硬件及相关数据集解析

1. 脑启发的机器学习方法与硬件

大脑和计算机的功能原理存在差异。大脑能够处理新奇、复杂和模糊的信息，而计算机则具有快速和高精度的特点。不过，对大脑的研究可以为软硬件机器的设计提供灵感，例如将从连接组图中获得的经验应用于使计算机更智能。

1.1 软件方面

用于揭示感觉大脑皮层算法特性的策略正在启发下一代高性能机器学习。大脑在识别和学习物理及抽象数据方面表现出卓越的能力，远远超过了目前最先进的机器学习系统。不仅在高级认知过程（如理解）方面存在性能差距，在支持这些高级功能的基本传感器信息处理任务中也同样如此。当代皮层计算理论表明，在处理感觉信息时，大脑采用的算法具有有限的计算原语。这些结构和/或功能模式被一个或多个皮层区域用于实现皮层算法的“核心功能”，包括表示、转换数据以及从数据中学习。2014年提出的美国IARPA的“来自皮层网络的机器智能”（MICrONS）项目旨在通过逆向工程大脑算法来革新机器学习。MICrONS计划设计和实现使用与大脑相同“核心功能”的新型机器学习算法。从视觉皮层衍生的算法将在视觉场景上进行测试，从嗅觉皮层衍生的算法将在嗅觉线索上进行测试，以此类推。

1.2 硬件方面

神经形态计算从对生物大脑复杂性的观察中获得灵感，并将大脑知识视为可应用于硬件工程系统设计的原则。Mead（1989）出版的书籍标志着受生物启发的微电子学的开创性工作达到顶峰。近期大规模神经形态系统的例子包括：
- IBM TrueNorth芯片（Merolla等人，2014） ：这是DARPA SYNAPSE项目十年工作的成果，旨在提供一个非常密集、节能的