计算创新扩大Brain-Inspired情报

Brain-Inspired智力探索系统的理论、方法和技术,模仿和提高人类智力,已支付从人类社会持久的热情。现有研究获得惊人的成就来自不同深度学习的技术方向,神经形态计算和brain-scale模拟。这些进化技术推动人工智能的知觉和认知表现前所未有的水平,表现出趋势,智能系统越来越庞大和复杂。他们构建大规模和强大的数据输入和模型与大量exascale-model架构培训或大型分布式计算平台。例如,最大的语言模型GPT-3由17数十亿参数被美联储的570 gb的输入数据进行训练。大脑模拟器旨在重建人类的大脑含有86数十亿神经元平均7000每个神经元的突触。如何有效构建大型但高效的人工系统变得迫切和具有挑战性的问题。增加系统的规模和复杂性驱动自动优化和在系统建立适用的要求。



本研究课题将集中在自动优化技术在大型的频谱Brain-Inspired情报系统堆栈。具体来说,兴趣包括1)自动化技术和设计工具来支持复杂的系统功能,高效的管理,和良好的可编程性神经形态计算;2)自动机器学习技术来优化硬件或system-friendly部署模型更好的效率;3)框架和系统创新协调大规模培训巨模型在异构硬件实现和基础设施;总之,贡献从技术上集中自动化系统管理和运行时库优化域评论和观点brain-inspired系统的现状和未来趋势的创新都是受欢迎的。这个话题被设计成具有包容性和表达多种视图,以刺激辩论和异花授粉系统和算法的社区。为了这个目的,我们欢迎解决以下文章:



这个问题感兴趣的话题包括,但不限于:

1)自动化机器学习技术神经形态算法在时间/空间/权力约束;

2)自动优化技术的编程语言,设计工具,对神经形态和库系统;

3)可重构节能深度学习和神经形态架构;

4)硬件模型对大规模与生物学相关的学习;

5)为可伸缩的神经形态架构未来互连;