我喜欢移动它——在大脑中移动计算而非数据

人脑的详细运作方式至今仍知之甚少。脑模拟是补充实验研究的一种成熟方法，但必须应对约$10^{11}$个神经元和连接它们的$10^{14}$个突触（后者的网络被称为连接组）所带来的计算需求。研究表明，连接组的变化（即突触的形成和删除，也称为结构可塑性）对于记忆形成和学习等关键任务至关重要。连接性更新可以使用一种受Barnes-Hut启发的近似方法高效计算，该方法将计算复杂度从$O(n^2)$降低到$O(n \log n)$，其中n是神经元的数量。然而，严重依赖远程内存访问（RMA）的突触更新，以及需要在每个时间步进行全对全通信的神经元间脉冲交换，仍然阻碍了可扩展性。我们提出了一种新算法，通过移动计算而非数据来显著减少通信开销。这使得更新连接性的时间缩短了六倍，交换脉冲的时间缩短了两个数量级以上。