IBM和英特尔可能不仅仅是为了人工智能; 一项新的研究发现，它们也可能被证明是一类在广泛应用中有用的计算的理想工具，包括医学X射线分析和金融经济学。
长期以来，科学家们一直试图通过称为神经网络的软件程序和称为神经形态芯片的硬件来模拟大脑的工作方式。迄今为止，神经形态计算主要集中于实现神经网络。目前尚不清楚这种硬件是否会在AI应用程序之外发挥作用。
神经形态芯片通常以多种不同的方式模拟神经元的工作，例如在平行此外，正如生物神经元计算和存储数据，神经形态硬件通常试图将处理器和内存结合起来，这可能会减少传统计算机在这些组件之间穿梭数据所损失的能量和时间。此外，传统的微芯片使用定时发射的时钟信号来协调电路的动作，而神经形态结构中的活动通常在加钉这种方式，只有当电荷达到特定值时才会触发，就像我们大脑中发生的情况一样。
迄今为止，神经形态计算的主要优势在于能效：诸如峰值、记忆和处理的统一等功能导致IBM的TrueNorth芯片,它的功率密度比当时的传统微处理器低四个数量级。
阿尔伯克基桑迪亚国家实验室的理论神经科学家詹姆斯·布拉德利·艾蒙（James Bradley Aimone）表示：“我们从许多研究中得知，神经形态计算将具有能效优势，但实际上，如果这意味着你的速度要慢得多，人们就不会关心节能。”。
现在，科学家发现神经形态计算机可能被证明非常适合被称为蒙特卡罗方法，其中问题本质上被视为游戏，通过这些游戏的许多随机模拟或“行走”来获得解决方案。
Aimone说：“我们通过考虑在传统硬件上无法很好扩展的问题来进行随机行走。”。“典型的蒙特卡罗解需要大量的随机行走才能提供一个好的解，虽然每个行走者随着时间的推移所做的工作并不难计算，但在实践中，必须进行大量的行走变得令人望而却步。”
相比之下，“我们可以编程一个单一的神经形态电路网格来表示随机行走可能进行的所有计算，而不是对一组随机行走者进行并行建模，每个人都进行自己的计算，然后将每个随机行走视为一个在网格上移动的尖峰，一次性解决整个问题，”Aimone说。
具体来说，正如先前的研究所发现的那样量子计算可以显示“量子优势研究人员发现，相对于大型问题的经典计算，当通过离散时间马尔可夫链进行随机行走时，可能存在“神经形态优势”。如果你把一个问题想象成一个棋盘游戏，这里的“链”意味着通过一系列状态或空间来进行游戏。“马尔可夫”意味着你在游戏中可以移动到的下一个空间只取决于你当前的空间，而不取决于你以前的历史，就像《大富翁》或《糖果地》等棋类游戏中的情况一样。“离散时间”只是指“在变化的空间之间发生一个固定的时间间隔——”这项研究的主要作者、Sandia的应用数学家Darby Smith说。
在IBM的实验中TrueNorth公司和英特尔的海底火山神经形态芯片、服务器级Intel Xeon E5-2662 CPU和Nvidia Titan Xp GPU，科学家发现，当大规模解决这类问题时，神经形态芯片证明比传统芯片效率更高半导体在能源消耗方面，以及在时间方面的竞争力（如果不是更好的话）。
艾蒙说：“我非常相信，人工智能的神经形态计算是非常令人兴奋的，而基于大脑的硬件将带来更智能、更强大的人工智能。”。“但与此同时，通过表明神经形态计算在传统计算应用中的影响力，该技术有潜力对社会产生更广泛的影响。”
神经形态芯片在性能和能量效率方面取得优势的一种方式是高度并行。更复杂的是，能够将每个随机行走表示为单个活动峰值，而不是更复杂的一组活动。
艾蒙说：“这些蒙特卡罗方法的最大局限是我们必须对许多步行者进行建模。”。“因为尖峰是表示随机行走的一种简单方式，所以添加额外的随机行走器只是向系统中添加一个额外的尖峰，该系统将与所有其他行走器并行运行。因此，额外行走器的时间成本非常便宜。”
有效解决这类问题的能力有着广泛的潜在应用，例如为金融市场中的股票和期权建模，更好地理解X射线如何与骨骼和软组织相互作用，跟踪信息如何在社交网络上移动，以及为疾病如何在人群中传播建模，史密斯注意到。艾蒙说：“这种方法的应用无处不在。”。
但Aimone警告说，仅仅因为某些问题可能存在神经形态优势，“并不意味着受大脑启发的计算机可以比普通计算机做得更好”。“计算的未来可能是不同技术的混合体。我们并不想说神经形态将取代一切。”
艾蒙指出，科学家们现在正在研究如何处理这些场景中多个“步行者”或参与者之间的相互作用，这将使分子动力学模拟等应用成为可能。他补充道，他们也在开发软件工具，以帮助其他开发人员进行这项研究。
科学家详细介绍了他们的发现2月14日在线版自然电子.
***
