新系统能帮助机器像人一样思考

科学家们开发了一种新型神经网络芯片，可以大幅提高教机器像人类一样思考的效率。该网络被称为油藏计算系统，可以在对话中说出之前预测单词，并帮助预测基于当前的未来结果。

储集层计算系统在传统神经网络的基础上提高了容量，减少了所需的训练时间，过去已经用较大的光学元件创建了储集层计算系统。美国密歇根大学的研究人员使用忆阻器创建了他们的系统，所需空间更小，可以更容易地集成到现有的硅基电子设备中。

忆阻器是一种特殊类型的电阻器件，既能执行逻辑，又能存储数据。这与典型的计算机系统形成鲜明对比，在典型的计算机系统中，处理器执行与存储模块分离的逻辑。这项研究发表在《自然通讯》杂志上，研究人员使用了一种特殊的忆阻器，只记忆近历史上的事件。

受大脑的启发，神经网络由神经元或节点以及节点之间的连接突触组成。为了训练神经网络完成一项任务，神经网络接受大量问题和这些问题的答案。在这个被称为监督学习的过程中，节点之间的连接被更重或更轻地加权，以最大限度地减少获得正确答案的错误量。

一旦训练好，神经网络就可以在不知道答案的情况下进行测试。例如，一个系统可以处理一张新照片并正确识别人脸，因为它已经从其训练集中的其他照片中学习了人脸的特征。“很多时候，训练一个网络需要几天或几个月。它非常昂贵，“密歇根大学教授韦鲁说。

图像识别也是一个相对简单的问题，因为它不需要除了静态图像之外的任何信息。更复杂的任务，如语音识别，高度依赖于上下文，需要神经网络知道刚刚发生了什么或刚刚说了什么。“当把语音转录为文本或翻译语言时，一个词的意思甚至发音都会因前面的音节而不同，”卢说。

这需要一个递归神经网络，它在网络中加入循环，给网络一个记忆效果。然而，训练这些递归神经网络特别昂贵，Lu说。然而，用忆阻器构建的水库计算系统可以跳过大部分昂贵的训练过程，并仍然为网络提供记忆能力。

这是因为该系统最关键的组成部分--水库--不需要训练。当一组数据被输入到存储库中时，存储库识别数据的重要的时间相关特征，并以更简单的格式将其传递给第二网络。

然后，第二个网络只需要像更简单的神经网络那样训练，改变第一个网络传递的特征和输出的权重，直到它达到可接受的误差水平。“水库计算的美妙之处在于，当我们设计它时，我们不必训练它，”卢说。

该小组通过手写识别测试证明了储层计算的概念，手写识别是神经网络中的一个常见基准。仅使用88个忆阻器，而传统的网络需要数千个忆阻器来完成这项任务，该水库实现了91%的精度。