研究的主题
神经形态系统与算法
神经形态VLSI系统
本研究主题集中于开发计算模型,并使用模拟/数字VLSI电路或FPGA来实现它们,以构建实时分布式神经处理系统。
神经形态芯片的新型学习算法
神经形态系统以适应和学习机制为基础,以生物系统中突触和神经结构的可塑性为模型。我们探索了各种监督和无监督学习算法(包括基于事件的学习),优化了在硬件上实现,在模拟或数字芯片(或FPGA)上。我们将在通用神经形态模拟器(如IFAT)上测试这些学习算法。
神经形态传感器及其应用
在这个研究主题中,我们探索神经形态传感器(目前是视觉和听觉模式)来构建各种智能系统,可用于各种机器人和军事应用。神经形态硅视网膜旨在模拟生物视网膜的特征来感知和处理视觉世界。这种硅视网膜的例子是异步基于时间的成像传感器(ATIS)和动态视觉传感器(DVS)。在内部,我们开发了一种电子耳蜗模型,已用于各种听觉处理和机器听力任务,如实时解决鸡尾酒会问题。
神经电子混合系统
该项目旨在整合生物神经元,开发使用在体外培养,用硅神经元电路进行机器学习任务。这将为建立脑机接口铺平道路,我们的神经电子混合系统可以直接连接到神经组织,并可以用神经系统的原生“语言”(即尖刺)与神经系统进行通信,而且功耗限制非常低。
机器学习
机器学习硬件加速器
这项拟议的研究旨在使电池驱动的移动设备在模式识别任务上像超级计算机一样强大。为了实现这一目标,我们将构建一个大规模并行的低功耗神经形态协处理器,专门用于实现深度学习神经网络。该协处理器将作为一种开源设计开发,运行在商用现场可编程门阵列(fpga)上,因此它将供全球数千个研究小组使用。该协处理器将使用标准的应用指定集成电路(ASIC)设计流程进行开发,这样它们就可以无缝集成到现有处理器中,或者使用最先进的制造技术在专用ic上制造,以实现每瓦的最佳性能。
物联网/边缘计算的机器学习
物联网或边缘设备必须一直处于活动状态,以确保它能够检测到感兴趣的事件。在大多数情况下,感兴趣的事件不频繁或很少发生,因此大多数物联网系统集成了模式分类器来过滤假阳性事件,从而在此过程中放松了通信要求。边缘计算侧重于在源头处理数据,因此对带宽的要求更低,个人数据的完整性更高,实时操作的延迟更低,但对功率和面积有严格的限制。在这一研究领域,我们开发了超轻型机器学习算法,并在模拟/数字ASIC或FPGA上实现。该系统可用于实现始终在线智能唤醒模块,仅在检测到语音命令或特定事件时才进行唤醒操作。
生物电子学
本研究旨在开发用于生物医学应用的电路和系统。这项工作将与临床医生密切合作进行。我们也有兴趣开发基于脑电图的脑机接口系统用于神经康复。