技术详细介绍
随着AlphaGo及其Zero的相继推出，近年来以神经网络计算为基础的深度学习及相关优化算法已成为人们研究AI的热点。深度学习算法在AlphaGo中的成功应用主要是依赖神经网络监督学习的网络层次及神经元数量提升，而其Zero的应用不同则是在于引进了博弈优化的思想，这就给以并行计算为核心的神经网络优化算法理论研究提供新的思路。
鉴于传统神经网络优化算法面临非全局优化的难题，我们基于吉布斯分布采样优化计算，提出一种以脉冲神经元构成的混合网络结构动力学系统来实现的神经网络全局优化算法，引进纳什平衡理论来优化的神经网络计算方案，并设计一款相应的通用神经网络并行处理器芯片，以新型芯片编程架构模拟人脑功能进行感知、行为和思考新型芯。
项目成熟度：
我们也采用NOC、GPU 及分布式云计算方案在图像处理、语音识别、基因检测、信息安全方面开展了一些探索性应用研究，并获得相应成果；有关片上网络NOC 可重构模型、多核系统任务调度与内存一致性管理、片上网络可综合设计等相关成果均已发表在IEEE刊物上。
应用范围：人工智能、网络通讯、集成电路设计、纳米单电子器件
生产条件与经济效益评估：无
合作方式：技术转让、技术开发、技术合作开发