东北大学本科生团队研发“深度学习”神经芯片

几天前，在东北大学浑南校区信息博物馆前，在计算机科学与工程学院的学生蒋承志脚下，有一个像螃蟹一样的小机器人紧紧地跟着他，从未离开过。他正在“深入研究”自己的行为。蒋承志仔细检查了机器人的参数并做了详细记录。

蒋承志是东北大学的本科生。他和他的同事、、元组成了一个创新团队。现场可编程门阵列的FPGA神经芯片应用于人工智能的深度学习领域。卷积神经网络试图在芯片中模拟人脑以大规模并行方式处理信息。目前，项目组已成功将基于FPGA的神经芯片植入硬件资源进行深度学习，并获得了大学生创新项目的*资助。

深度学习是指学习样本数据的内在规律和深层特征，使神经网络结构具有像人类一样独立分析和学习新事物的能力。目前，该技术已经在文本、图像处理、语音识别、机器翻译等领域取得了很大的成就。然而，随着电子信息技术的发展，人们要求计算机更“有意识地”为生活服务。机器本身需要像人一样识别和感知周围的环境，并对复杂的环境做出正确的判断。这就对计算机的深入学习和低成本获取的便利性提出了更高的要求。

目前，深度学习的实现平台依赖于一个庞大的CPU/GPU集群，成本非常昂贵，难以在现实生活中实现和应用。同时，传统的嵌入式处理设备ARM和DSP无法实现深度学习的实时处理。

FPGA神经芯片作为一种具有现场可编程功能的逻辑门元件，具有很强的并行数据处理能力和优势。卷积神经网络具有很强的特征提取能力，使其广泛应用于图像分类识别、目标跟踪等领域。蒋承志团队创新性地将FPGA神经芯片作为可实现深度学习的嵌入式处理器，并将卷积神经网络算法应用于基于FPGA的目标跟踪设备，大大提高了设备的运行速度。经过“分流”(即工业试生产)，体积大大缩小的神经芯片更适合嵌入式应用，从而大大降低了具有深度学习能力的设备的制造成本。

这项创新技术的应用范围非常广泛。它可以嵌入到目标识别、跟踪、图像处理、语音、自然语言等许多领域。只要设置不同的参数，就可以满足各种场景的需要。例如，将芯片连接到摄像机可以直接识别所需的目标。将其植入机器人可以完成更复杂的任务，如目标跟踪，具有巨大的市场应用潜力。接下来，该团队将跟随技术发展趋势，研究基于神经芯片的高质量深度相机，使其能够应用于智能汽车和无人驾驶领域，并积极推动神经芯片在“互联网+”相关领域的广泛应用。(王玉辉)

《中国科学报》(2018-02-27，第8版)