SM811 (for PM865) Classic

    2016年3月，AlphaGo与职业围棋选手的对局引发了人们对于人工智能的高度关注。计算机在一个*的非常复杂的计算与智力任务中，打败了人类的*选手，靠的是类人脑的智能吗？从系统的结构看，AlphaGo结合了深度神经网络训练与蒙特卡洛模拟[1]。广义的说，深度神经网络是类脑的计算形式，而蒙特卡洛方法则是发挥机器运算速度的优势，模拟出数量巨大的可能性用以进一步判断，这现在看来不是大脑工作的机制。所以AlphaGo 。更重要的是，因为表面上看起来不一样的问题往往能分解成相似的子问题，这使得模块可以重复利用，大大提高了效率并使得高度简并的系统能够胜任复杂多样的任务[7]。模块化设计的优势显而易见，但面对一系列具体问题，应该如何*有效率地划分子问题，这本身是一个困难的任务。而这可能是我们能够向大脑学的重要知识。真实的大脑是模块化设计的一个范例，每个脑区或亚区负责一个信息处理的环节或方面，而具体的模块划分是经过漫长自然选择加以优化的结果，已经适应了高效处理真实世界的实际问题。深度神经网络借鉴的对于视觉信息的多层、分步处理结构，某种意义上就是大脑模块化设计的一个方面。另外近期的一项研究显示，仅仅初步借鉴了非常粗略的脑功能模块划分（包括一系列视觉区域，一个记忆区域，一个决策区域以及一系列运动控制区域等），就能使得一个相对简单的系统胜任多种不同的任务   而AlphaGo 存在一个围棋盘面的估值网络和一个独立的走棋网络（虽然我们还不知道这是否是有意的类脑的设计，但这在原理上可能是类脑的划分），也说明了合适的模块化设计可能是其*的一个重要因素。这些结果令人鼓舞，但我们对于大脑模块化设计的借鉴也许才刚刚开始。现在神经科学的研究正在为我们给出非常详尽的，包含数百个亚区的有关人脑的模块化分区图谱，包括每一个模块和其他模块之间的信息传递通路（图3）[9]。可以预见，这将对类脑信息处理算法的设计提供关键的启示。比如对于语言区的精细亚区划分及其功能的阐明，就可能对于语言处理算法的模块化设计提供有益的借鉴。有关类脑算法设计的第二个例子是我们可以向大脑学如何调节网络的状态，从而灵活调控信息处理过程，使得系统能够适应不同的功能需求。

（1）LD（取指令） 一个常开触点与左母线连接的指令，每一个以常开触点开始的逻辑行都用此指令。



（2）LDI（取反指令） 一个常闭触点与左母线连接指令，每一个以常闭触点开始的逻辑行都用此指令。



（3）LDP（取上升沿指令） 与左母线连接的常开触点的上升沿检测指令，仅在位元件的上升沿（由OFF→ON）时接通一个扫描周期。



（4）LDF（取下降沿指令） 与左母线连接的常闭触点的下降沿检测指令。



（5）OUT（输出指令） 对线圈进行驱动的指令，也称为输出指令。



取指令与输出指令的使用说明：


1）LD、LDI指令既可用于输入左母线相连的触点，也可与ANB、ORB指令配合实现块逻辑运算；



2）LDP、LDF指令仅在对应元件有效时维持一个扫描周期的接通。



3）LD、LDI、LDP、LDF指令的目标元件为X 、Y 、M 、T、C、S；4）OUT指令可以连续使用若干次（相当于线圈并联），对于定时器和计数器，在OUT指令之后应设置常数K或数据寄存器。



5）OUT指令目标元件为Y、M、T、C和S，但不能用于X（1）AND（与指令） 一个常开触点串联连接指令，完成逻辑“与”运算。


（2）ANI（与反指令） 一个常闭触点串联连接指令，完成逻辑“与非”运算。


（3）ANDP 上升沿检测串联连接指令。


（Generally speaking, brain-like computing refers to making essential changes to existing computing systems and systems in hardware implementation, software algorithm and other aspects by referring to the basic rules of information processing in the brain, so as to achieve significant improvements in computing energy consumption, computing power and computing efficiency. Communication with the rapid development of computer technology in the past decades has brought the information revolution, but the development of the existing computing systems are still facing two serious bottleneck: one is the system energy consumption is too high, the second is for the human brain can easily do cognitive tasks (such as language and understanding of the complex scene, etc.) processing power is insufficient, it is difficult to support a high level of intelligence. The brain's obvious advantages in these two areas make borrowing from the brain a very promising direction. Class cerebral calculation are life science, especially the height of the cross and fusion brain science and information technology, the technical connotation includes for a deep understanding of the principle of brain information processing, on this basis to develop new type of processor, algorithm and system integration architecture, and applied it to a new generation of artificial intelligence, data processing, human-computer interaction and so on widely. Brain-like computing technology is expected to enable artificial information processing systems to produce intelligence comparable to the human brain with very low energy