如何做到芯片分辨出十种气味

日前，英特尔和美国康奈尔大学在《自然-机器智能》（Nature Machine Intelligence）杂志上联合发表一篇论文，展示了英特尔神经拟态研究芯片Loihi能在有明显噪声和遮盖的情况下，学习和识别10种危险化学品。据论文介绍，英特尔和康奈尔大学的有关研究人员利用72个化学传感器对不同气味做出反应的数据集，通过配置生物嗅觉的威廉希尔官方网站 图来描述如何“教会”Loihi“闻味道”。Loihi仅需单一样本便可学会识别每一种气味，并且不会破坏它对先前所学气味的记忆，要达到与Loihi相近的识别准确率，传统深度学习解决方案需要的训练样本，至少是Loihi所需样本的3000倍以上。

英特尔神经形态计算实验室科学家纳比尔·伊姆艾姆（Nabil Imam）和康奈尔大学心理学系计算生理学实验室研究人员托马斯·克莱兰德（ Thomas A. Cleland），在英特尔“Loihi”神经拟态芯片系统上，描述了一种基于哺乳动物嗅觉系统的神经算法，可以学习并鉴别气味样本

研究团队之后在一个神经形态系统中，实现该神经算法，并利用甲苯、氨、丙酮、一氧化碳和甲烷等10种有害化学物质，对其进行气味训练，最后在风洞中通过传感器的数据对神经拟态芯片Loihi进行了测试。

根据英特尔的说法，即使存在其他强烈气味，该芯片也可以识别这些有害物质。将来这项技术可能使“电子鼻”和机器人能够检测武器、爆炸物、麻醉品甚至疾玻。

英特尔研究院科学家Nabil Imam在神经拟态计算实验室中，手持一块Loihi神经拟态测试芯片

比CPU快10000倍，功耗比GPU低109倍

根据官方资料显示，英特尔Loihi芯片采用14nm制程工艺，管芯尺寸60毫米，包含超过20亿个晶体管、13万个人工神经元和1.3亿个突触。Loihi异步威廉希尔官方网站 ，不需要全局时钟信号，而是采用可编程微代码引擎，用异步脉冲神经网络（SNN）或AI模型行进片上训练，该模型将时间整合到其操作模型中，因此模型的组件不会同时处理输入数据。

据悉，用英特尔Loihi芯片来处理稀疏编码、图形搜索、约束满足问题等特殊应用，速度比传统CPU快1000倍，效率比传统CPU高10000倍，它还能将某些优化方案的速度和能效提高了超过三个数量级。英特尔表示，这将用于“高效”地实施自适应学习、事件驱动和细粒度并行计算。

“我们在实时深度学习基准测试中，证明使用Loihi芯片的功耗比GPU低109倍，比专用IoT推理芯片低5倍。”Applied Brain Research首席执行官、滑铁卢大学教授Chris Eliasmith表示，“随着我们将网络扩展50倍，Loihi保持实时性能结果，仅使用30％的功率，而IoT硬件不能保证实时，还要消耗500％的功率。”

罗格斯大学教授Konstantinos Michmizos也介绍说，相比用CPU运行SLAM方法，Loihi的能耗低了大约100倍。

2019年7月，英特尔推出由64个Loihi芯片组成的800万神经元神经形态系统Poihoiki Beach，供60多个生态系统合作伙伴用于决复杂的计算密集型问题。

除了英特尔外，IBM、惠普、麻省理工学院、普渡大学、斯坦福大学等机构都在推进类脑计算的相关研究，希望借助它来开发出更强大的计算系统。

不仅能识别气味，还能用于医疗诊断和机场安检

和嗅觉相似，人类的视觉、听觉、回忆、情绪和决策都有各自的神经网络，它们都以特定的方式进行计算。

而神经拟态芯片的研究与应用，充分证明了未来神经科学与人工智能交叉研究的广阔前景。

据Imam介绍，化学传感领域多年来一直在寻找智能的、可靠的和快速响应的化学传感处理系统，或者称之为“电子鼻系统”。

研究表明，神经拟态芯片的自我学习能力、低能耗特性、”仿人脑”结构以及神经科学的衍生算法可以创造一个”电子鼻”系统，它在真实情境下识别气味比传统解决方案要有效得多。

除了识别气味外，Imam还看到了搭载神经拟态芯片的机器人在环境监测、危险物质检测以及在工厂质量控制方面的应用潜力。

加州理工学院AMBER实验室的Rachel Gehlhar和加拿大国家研究委员会的Terry Stewart用英特尔Kapoho Bay Loihi设备控制AMPRO3假肢，以使该假肢能够更好地适应行走时无法预料的运动学障碍

神经拟态感应系统可以进行环境监测以及有害物质识别，从而帮助我们确定气体物质及其排放来源。

内置神经拟态芯片的机器人可以在工厂各处移动，识别有害化学物质并进行精准定位，从而快速有效消除有害物质。

在国防安全方面，为了更好地侦查化学武器、炸弹、毒品等安全威胁，神经拟态芯片可以内置到机场、边境、军事基地等的侦查设备中。

此外，该系统还可应用于医疗诊断，因为患有某些疾病会散发出特定的气味，为基于神经拟态的化学感应在医学诊断中的应用提供了可能。

另一个例子是，搭载神经拟态芯片的机器人可应用于机场安检区域，能够更高效地识别危险物质。

Imam表示：“我的下一步计划，是将这种方法推广到更广泛的应用领域，包括从感官场景分析（理解你观察到的各种物体之间的关系），到规划和决策等抽象问题。理解大脑的神经网络如何解决这些复杂的计算问题，将为设计高效、强大的机器智能提供重要启示。”

下一步挑战：超越人类嗅觉

Imam也提到，嗅觉领域存在着一些挑战。

当你走进一家杂货店时，可能会闻到草莓的气味，它的气味可能跟蓝莓或香蕉很像。有时候，人尚且难分辨出究竟是一种水果气味，还是多种香味的混合。让系统来辨认极其相似的气味，同样是难题。

“这些是目前我们在研究嗅觉信号识别时面临的挑战，”Imam表示：“我们期待在未来几年内解决这些问题，这样的产品才能解决现实世界的问题，而不仅仅是解决在实验室演示的实验性问题。”

Imam表示，了解大脑的神经回路如何解决这些复杂的计算问题，将为设计高效、强大的机器智能提供重要的参考依据，换句话说，如果我们能更透彻的了解大脑识别气味的原理，那么可能会从根本上改变我们设计人工智能的方式。

从理论上讲，Loihi可以扩展到最多16384颗芯片互连，那就是超过20亿个神经元——人类大脑有大约860亿个神经元。

英特尔和康奈尔大学当然不是唯一一个致力于训练AI以检测气味的团队。Google Brain小组正在与调香师合作，将气味分子与感知到的气味联系起来。俄罗斯研究人员正在使用AI来嗅出致命的气体混合物，并且研究人员试图通过机器学习重现灭绝花朵的气味。

除了神经形态计算领域外，Google、加拿大高级研究所、矢量人工智能研究所、多伦多大学、亚利桑那州立大学等机构的科研人员，已经研究了用人工智能方法来解决分子识别和气味预测问题。

Google最近展示了一个模型，它比最先进的方法和来自“梦想嗅觉预测挑战”（一项描绘气味化学特性的竞赛）的表现最好的模型还要出色。

另外，IBM还开发了Hypertaste，这是一种“人造舌头”，可以识别“不太适合摄入”的饮料和其他液体。