Road to scalability for efficient graph search on massively parallel neuromorphic hardware
本文介绍了 NEURO-MAPP，这是一种在 SpiNNaker 2 神经形态硬件上实现的分布式最短路径算法，与传统的基于 CPU 的 Dijkstra 算法相比，该算法在各种图类型上均展示了卓越的可扩展性和能效。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心思想：在人群中寻找最快路径
想象你正身处一座巨大的、拥挤的城市，你需要找到从家到朋友家的最短路径。你有两种方法可以实现这个目标：
- “超级规划师”（CPU）： 你雇佣了一位极其聪明、语速极快的专业人士（传统的计算机处理器）。他们坐在办公桌前，盯着一张巨大的地图，有条不紊地逐一检查每条可能的路线，并维护着一份最佳选项的清单。他们非常出色，但一次只能做一件事。
- “蜂群思维”（类脑芯片）： 你没有雇佣一个人，而是雇佣了 152 名精力充沛、低能耗的小型工人（SpiNNaker 2 芯片的核心）。你给每个工人分配了一个城市的微型社区。他们不需要向中央主管汇报，只需向身边的邻居大声喊话：“嘿，我发现了一条捷径！”如果邻居听到了更好的路线，他们就会向自己的邻居喊话。所有人同时工作，像玩“传声筒”游戏一样传递信息，只不过传递的是数学运算。
这篇论文介绍了一种玩这种“传声筒”游戏的新方法，叫做 NEURO-MAPP。研究人员想要看看这种“蜂群思维”的方法是否能比“超级规划师”更快地找到最短路径，并且使用更少的能量。
NEURO-MAPP 是如何工作的：“加法与取极小值”游戏
在传统的“超级规划师”方法（Dijkstra 算法）中，计算机必须不断停下来，整理它的清单，并挑选出最佳选项。这就像一位图书管理员，在移动到下一个位置之前，必须走到每一个书架前去寻找正确的书。
NEURO-MAPP 改变了规则，以适应“蜂群思维”的硬件：
- 加法 (The Add)： 当一个工人发现一条路径时，他们会将刚刚走过的路程“代价”（距离）累加到当前的数值上。
- 取极小值 (The Min)： 当一个工人收到来自邻居的消息说“我可以在 10 步内到达”时，他们会将此与已知的数值进行比较。如果 10 比当前的数值更好，他们就会更新自己的数字，并向邻居们喊出来。
因为每个工人都在同时进行这个过程，“最佳路径”会像涟漪一样同时在整个城市中扩散，而不需要任何人停下来去整理一份总清单。
竞赛：谁赢了？
研究人员在单个芯片（SpiNNaker 2）上针对现代计算机处理器（CPU）进行了测试。他们在四种不同类型的“城市”中进行了这场比赛：
- 随机城市： 道路连接是随机的。
- 结果： 对于小型城市，超级规划师更快。但随着城市规模变得巨大（超过 30,000 个交叉点），蜂群思维占据了上风，速度快了约 25%。
- 小世界城市： 类似于社交网络或电网，大多数邻居很近，但也有少数“快速通道”连接着遥远的区域。
- 结果： 在这些大型版本城市中，蜂群思维的速度要快得多。
- 网格城市： 像是一个拥有笔直街道的完美城市（2D 或 3D 网格）。
- 结果： 在简单的 3D 网格中，超级规划师仍然略快。然而，在复杂的 5D 网格（代表非常复杂的数据）中，蜂群思维成为了赢家。
- 现实世界城市：
- 公路： 在真实的德国道路地图上，超级规划师目前更快，因为目前的地图规模还不足以展示出蜂群思维的全部实力。
- 城市中的无人机： 在为无人机绘制 3D 城市环境图（避开建筑物）时，蜂群思维的速度明显更快，且使用的能量减少了 10 倍。
- 蛋白质网络： 在描述蛋白质如何相互作用的生物地图中，即使完成任务的时间稍长，蜂群思维使用的能量也远低于传统方法。
能量因素：电池测试
最令人兴奋的发现不仅是速度，更是能量。
- “超级规划师”（CPU）就像一辆高性能跑车：它跑得很快，但非常耗油（电力）。
- “蜂群思维”（SpiNNaker 2）就像一群电动滑板车：虽然个体看起来可能较慢，但由于有许多人在高效协作，整个群体消耗的能量仅为前者的一小部分。
在几乎所有的测试中，即使 CPU 完成任务的速度稍快，蜂群思维在每次查询中使用的能量也更少。
为什么这很重要（根据论文所述）
论文声称，这种“蜂群思维”方法是一种可扩展的解决方案。
- 可扩展性： 如果你需要解决一个规模相当于整个国家的城市问题，你只需要增加更多的芯片（更多的工人）到网络中即可。系统会自然生长。
- 多功能性： 研究人员展示了这不仅适用于驾驶导航，还适用于：
- 规划穿梭于摩天大楼间的无人机飞行。
- 分析人体内蛋白质的相互作用。
- 使用一种称为 Isomap 的方法来简化复杂数据（例如将高维形状转化为 3D 地图）。
总结
论文认为，对于大规模、复杂的问题，旧的思维方式（由一个大脑完成所有事情）正在撞墙。新的思维方式（许多独立的小脑相互交流）才是未来。这不仅仅是为了更快，更是为了能够在解决巨大问题的同时，不耗尽全世界的电力。
注： 作者强调，虽然他们目前的芯片（SpiNNaker 2）是特定的，但这种算法的理念可以应用于任何拥有许多能够快速通信的独立处理器的系统，例如其他专门设计的类脑计算芯片。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。