脑科学视角下的高性能计算

被引：8
作者：
刘亚东 [1 ,2 ]
胡德文 [1 ]
机构：
[1] 国防科学技术大学机电工程与自动化学院
[2] 国防科学技术大学国家高性能计算重点实验室
来源：
计算机学报 | 2017年 / 40卷 / 09期
关键词：
脑科学; 高性能计算; 大数据; 类脑计算;
D O I：
暂无
中图分类号：
R318 [生物医学工程]; TP38 [其他计算机];
学科分类号：
0831 ; 081201 ;
摘要：
高性能计算已经成为脑研究的必要手段,为脑研究开启了全新的研究视角和研究模式;反过来脑研究为高性能计算提供新思路、提出了新要求,催生着新型计算模式的出现.具体来说:(1)近年来脑观测技术性能不断提升,多模态观测普遍采用,全球范围内交叉联合研究也越来越成为常态,使得"大数据"和"云计算"成为脑研究的一种崭新研究视角和研究方法;(2)信息科学家提出了深度神经元网络、脉冲神经元网络等大规模学习算法,这些算法从神经科学中汲取了营养,显著提升了自身性能,实现了人脑智能的某些特征,具有大脑计算模式高效率、低功耗的特征,在多领域内取得了显著的成效.这些算法的研究和实现对高性能计算提出了越来越高的要求,给目前基于传统微处理器和计算架构的计算平台带来了几乎无法克服的困难;(3)信息科学家和神经科学家联合,开始在类脑微处理器和类脑计算架构等层面上开展新型类脑计算探索性研究,取得的研究进展显示了该领域未来充满希望.基于以上三点原因,高性能计算和脑科学研究正越来越紧密地交织在一起,彼此融入了对方的发展.文中以脑研究为切入点,分别从高性能计算对脑研究的技术支撑以及脑研究对高性能计算的启发和推动两个方面对脑科学视角下的高性能计算的现状和发展趋势进行了讨论.
引用
收藏
页码：2148 / 2166
页数：19
相关论文
共 66 条
[51]  
Deep learning for neuroimaging:a validation study. PLIS S M,HJELM D R,SALAKHUTDINOV R,et al. Frontiers in neuroscience . 2014
[52]  
Bayesian Brain:Probabilistic Approaches to Neural Coding. Doya K,Ishii S,et al. . 2007
[53]  
Perception as Bayesian Inference. Knill D,Richards W. . 1996
[54]  
Building high-level features using large scale unsupervised learning. Le Q,Ranzato M,Monga R,et al. Proceedings of ACM International Conference on Machine Learning . 2012
[55]  
The new century of the brain. Yuste R,Church G M. Scientific American . 2014
[56]  
Dealing with data. Science . 2011
[57]  
BRAIN initiative. http://www.whitehouse.gov/share/braininitiative .
[58]  
New ways to image neural activity. http://grants.nih.gov/grants/guid-e/rfa-files/RFA-EB-05-001.html .
[59]  
ShiDianNao:Shifting vision processing closer to the sensor. Du Z D,Chen Y J,et al. Proceedings of the 42nd ACM/IEEE International Symposium on Computer Architecture . 2015
[60]  
An anatomically comprehensive atlas of the adult human brain transcriptome. Michael J. Hawrylycz,Ed S. Lein,Angela L. Guillozet-Bongaarts. Nature . 2012
1234567