对应于自学习 AI 算法，芯片实现上也有创新的自进化电路。自进化机制可以成为有机计算的一部分，也可以作为芯片的单独功能。
当今，深度学习算法被许多人认为是最强大的 AI 算法。但是，可能存在完全不同类型，但比神经网络和深度学习更强大的智能计算范式。该技术可能基于人类大脑进化的过程。一系列迭代变化和选择产生了人类已知的最复杂和最有能力的器官——眼睛、大脑等。进化的力量令人惊讶，新的研究成果已经证明，进化算法在视频游戏中的应用，效果超过了深度学习算法 [218] 。
进化提供了复杂和微妙适应的创造性源泉，这往往让发现它们的科学家感到惊讶。然而，进化的创造力并不局限于自然界：在计算环境中进化的人工生物也让研究人员惊奇。实际上，进化算法领域的研究人员可以用进化算法来创造性地颠覆他们的期望或意图，暴露代码中未被识别的错误，产生意外的适应性，参与各种行为并让结果收敛到一个期望的最佳点。
自进化硬件架构
自进化硬件能够改变其结构和行为，以便针对特定任务或环境自动优化其操作。如果需要从生物有机体和自然进化中获取灵感，以创建这种硬件系统，并且开发出适当的优化方法和算法，不仅需要在芯片制造期间改变硬件，而且需要在芯片上进行频繁和快速的改变。今天的芯片通常无法在设计和制造完成后进行物理改变、扩展或再现某种功能，因此使用 FPGA 或类似的可重构架构是最好的选择。与其他有机计算模式相比，这种架构也有一个反馈机制，图 12.3 中的自主层带有 DSP 或 MCU 处理器，用来运行遗传算法。现在已经有不少研究人员提出了使用遗传算法的进化式深度学习算法，不过还没有实现为专用芯片。
实现自进化需要在芯片里实现动态部分重构（Dynamic Partial Reconfiguration，DPR）功能。通过该过程，FPGA 可以自动重新配置其部分逻辑，而其余部分继续运行。此外，这个过程还是一个动态过程，而不是下载软件的过程。这可以用于将自进化系统实现为分段电路，该分段电路被构造为多个处理单元（PE）的阵列，每个 PE 实现简单的功能，可以通过使用 DPR 进行 PE 替换来单独地改变。这种功能变化将由进化算法驱动，进化算法将对可进化电路执行随机的微小变化。通过评估这些变化如何影响可进化电路性能来决定是
（本章节未完结，点击下一页翻页继续阅读）
正在加载...