基于IBM和英特尔神经形态技术的芯片或可用于X光片和股市分析
受大脑启发的IBM和英特尔“神经形态”微芯片不仅可用于人工智能。一项新研究指出，它们对于一类广泛应用的计算也可能十分理想，包括医学X光分析和金融经济学。
科学家长期以来一直试图通过被称为神经网络的程序和被称为神经形态芯片的硬件来模拟大脑的工作方式。到目前为止，神经形态计算主要集中于实现神经网络。尚不清楚这种硬件除了人工智能应用之外是否还有用处。
神经形态芯片通常以多种方式模拟神经元的工作，例如并行执行大量计算。此外，正如生物神经元既计算又存储数据一样，神经形态硬件常常致力于将处理器和内存结合起来，从而有可能减少普通计算机在这些组件之间移动数据时消耗的能量和时间。
普通微芯片使用按固定时间间隔触发的信号来协调电路的动作，而神经形态架构中的活动通常表现为脉冲，只有当电荷达到特定值时才会触发，这与类似我们大脑的工作方式非常相似。
到目前为止，神经形态计算的主要优势在于能效：脉冲以及存储与处理的结合等特性，促成了IBM TrueNorth芯片的诞生，其功率密度比当时的普通微处理器低四个数量级。
“从许多研究中我们知道，神经形态计算在能效方面会有优势，但在实践中，如果这意味着运行速度会慢得多，人们并不在意节省的能量”
现在，科学家认为，神经形态计算机可能非常适合所谓的蒙特卡罗方法，即将问题本质上视为游戏，并通过大量随机模拟或对这些游戏的“随机游走”来获得解决方案。
“我们是通过研究在普通硬件上难以良好扩展的问题而得出随机游走方法的。蒙特卡罗方法通常需要大量随机游走才能获得良好的解，虽然单独计算每个游走者随时间的变化并不困难，但在实践中，需要进行大量此类游走的要求变得极其高昂”
相比之下，科学家不必并行模拟一组各自执行独立计算的随机游走者，而是可以编程一个统一的神经形态电路网格，以表示随机游走可以执行的所有计算，然后将每个随机游走视为在网格上移动的脉冲，从而一次性解决整个问题。
具体而言，正如先前的研究表明量子计算在大量任务上可以相对经典计算展现“量子优势”一样，研究人员发现，在离散时间马尔可夫链上的随机游走中，可能存在“神经形态优势”。
“如果把问题想象成一款桌游，那么这里的“链”指的是按顺序经过一系列状态或位置的游戏过程。马尔可夫链意味着你下一步可以走到的位置只取决于你当前所在的位置，而不取决于你之前的经历，就像《大富翁》或《糖果乐园》这类桌游一样。“离散时间”则只是指在位置变化之间有固定的时间间隔——即一个回合”
在对IBM TrueNorth和英特尔Loihi神经形态芯片、服务器级英特尔至强E5-2662处理器以及英伟达Titan Xp图形处理器进行的实验中，科学家发现，在大规模解决此类问题时，神经形态芯片在能耗方面比普通半导体更高效，在时间方面即使不更快，也至少具有竞争力。
“我非常相信，用于人工智能的神经形态计算非常有趣，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，通过证明神经形态计算可以在普通计算应用中发挥作用，这项技术可能会对社会产生更广泛的影响”
神经形态芯片在性能和能效方面取得优势的一个方法，是高度的并行性。此外，将每个随机游走表示为一次脉冲活动，而不是更复杂的一系列动作，也加剧了这一优势。
“这些蒙特卡罗方法的一大限制在于，我们需要模拟大量的游走者。由于脉冲是表示随机游走的一种非常简单的方式，增加一个额外的随机游走者，只需在系统中增加一个与其他脉冲并行运行的额外脉冲。因此，为额外游走者付出的时间成本非常低”
有效解决这类问题的能力具有广泛的潜在应用，例如模拟金融市场中的股票和期权、更好地理解X射线如何与骨骼和软组织相互作用、追踪信息在社交网络中的传播，以及模拟疾病在人群中的传播方式。艾蒙认为，“这种方法的应用无处不在”。
但是，某些任务可能存在神经形态优势，这一事实“并不意味着受大脑启发的计算机在所有方面都能优于普通计算机”，艾蒙提醒道。他表示，计算的未来很可能在于多种技术的结合。科学家们并不是想说神经形态技术将取代一切。
目前，科学家正在研究如何管理这些场景中多个“游走者”或参与者之间的相互作用，从而使分子动力学模拟等应用成为可能。他们还在开发软件工具，以帮助其他开发者开展这项研究。
