什么是神经形态计算？

1. 神经形态计算是指根据大脑的神经元连接的方式，设计对应的计算形态，来实现低功耗、低延迟和高精度的计算推理。
2. 神经形态计算是从人脑的结构和动力学中获得灵感，从而创建了用于信息处理的节能硬件，使其能够执行高度复杂的任务。神经形态计算包括神经网络的产生和使用。它从人脑中汲取灵感，旨在设计能够合并内存和处理能力的计算机芯片。1
3. 神经形态计算（类脑计算）系统是借鉴人脑信息处理方式，打破“冯·诺依曼”架构束缚，针对实时处理非结构化信息而设计的具有自主学习能力的超低功耗新型计算系统。神经形态计算（类脑计算）工程是根据机器学习和人工智能算法的特性、模拟人脑对信息的处理方式来定制芯片结构的系统工程，其将硬件与算法进行匹配可以实现更快、更节能的计算。同时，神经形态硬件还可以应用于机器学习之外的问题，例如机器人控制、数学编程和神经科学假设测试。2

神经形态计算芯片——英特尔Loihi

英特尔Loihi神经形态平台是一种神经形态芯片，它是一种新型的计算机芯片，可以模拟人脑的神经元和突触，从而实现类似于人脑的计算方式。Loihi芯片的设计方式模仿了活体动物的大脑功能，其通信是通过一系列“尖峰”而不是大多数计算机芯片采用的更连续的方式进行的，即使是那些专门为人工智能设计的。这种神经形态拓扑在速度、性能和能源效率方面提供了许多优势。**12**

Loihi芯片的功耗可比CPU低1000多倍，而且它可以在不同的应用场景中使用，例如机器人控制、自动驾驶、医疗诊断、智能家居等。**23**

Loihi芯片的工作原理是通过异步脉冲来计算，同时整合了计算和存储，模仿了大脑根据环境的各种反馈来学习如何操作的运作方式，可以利用数据来学习并做出推断，随着时间的推移也会变得更加的智能，并且不需要以传统方式来进行训练。Loihi芯片上执行单元的一部分充当“树突”，根据过去行为的权重处理来自通信网络的传入信号。然后它使用数学公式来确定活动何时越过临界阈值，并在超过临界阈值时触发其自身的尖峰信号。之后执行单元的“轴突”查找与哪些其他执行单元通信，并向每个执行单元发送尖峰信号。**123**

异步脉冲信号，这种计算方式是一种基于时间的计算方式，与传统计算方式不同的点在于不是在时钟信号的驱动下进行的，而是在神经元之间的相互作用下进行的，这种计算方式是对大脑工作模式的模拟。脉冲神经网络（SNN）是一种源于生物启发的新一代人工神经网络模型，属于深度学习的子集，且具有较强的生物基础支撑。SNN的神经元不是在每一次迭代传播中都被激活，而是在它的膜电位达到某一个特定阈值才被激活，这种计算方式可以更好地模拟大脑的工作方式，实现了更加高效的计算。每个峰值由代表生物过程的微分方程表示出来，其中最重要的是神经元的膜电位。**123**

推荐阅读：

Nature 长文综述：类脑智能与脉冲神经网络前沿