編者按：EE Times 的神經形態計算特別項目為您提供了您需要了解的有關神經形態計算機的所有知識，從下面的文章中的基礎知識到它是否是量子計算的橋梁以及介于兩者之間的一切。

我們可以在機器中構建多少智能？近幾十年來，我們已經取得了長足的進步，但 Siri 和 Alexa 等助手、圖像識別應用程序甚至推薦引擎都告訴我們，我們必須走多遠，以及我們已經走了多遠。對于醫學診斷、強大的計算機能力和大量標記良好的數據等深度學習任務，進展令人驚訝。

但是其余的呢？

我們對人工智能的渴望遠遠超出了數據科學。我們希望我們的可穿戴生物傳感器系統能夠立即警告我們可能表明嚴重健康事件的異常情況，能夠對最具挑戰性的駕駛條件做出實時反應的自動駕駛汽車，以及能夠以最小方向行動的自動機器人。我們怎么去那里？

就目前而言，看起來至少我們的移動設備（在某種程度上）理解了我們，但實際上并沒有。它們只是傳遞我們的聲音，被解碼成文字，然后是請求，然后是行動或答案。這是一個計算密集型過程。

2013 年的一項預測顯示，“人們每天使用語音識別進行三分鐘的語音搜索將使數據中心的計算需求增加一倍，而使用傳統 CPU 將非常昂貴。” 這導致 Norman Jouppi 和他在 Google 的同事開發了張量處理單元 (TPU)，專注于優化矩陣乘法的硬件。這有望將神經網絡查詢的電源效率提高 95%。

這些處理器已經對基于服務器的應用程序產生了重大影響，但這種方法將所有內存和處理集中在數據中心。因此，它極大地依賴通信基礎設施，并且可能會造成浪費，因為時間和精力都花在了交流信息上——其中大部分是無關緊要的。

進入邊緣計算：我們如何滿足移動和獨立應用程序的速度、功率、面積和重量要求？

選擇性復制生物學用于機器智能的神經網絡受到生物學的啟發（圖 1）。因此，神經形態工程師試圖模仿相同的生物學來創建能夠以最佳方式運行它的硬件。這種方法為工程師提供了一個可供選擇的大菜單。

其次，大的多對多神經元連接是首選，因為它使網絡更強大。保持傳入信號（例如圖像）幾何形狀的傳感器-處理器管道可能會有所幫助，因為它們允許在處理過程中進行有效的鄰居 - 鄰居交互 - 例如，人類視網膜。將信號值保持在模擬域中是有益的，因為一切都可以同時處理，而不是分解成不同位上的復雜動作。

最后，將通信時間與神經行為相關聯——而不是任意時鐘——意味著信號固有地包含更多信息：一起到達的類似大腦的尖峰通常與相同的事件有關。

這就是為什么“神經擬態工程”或“神經擬態計算”這個術語有點模糊的原因。該術語由加州理工學院教授 Carver Mead 在 1980 年代后期創造。在接下來的幾十年里，米德和其他人的項目特別關注使用模擬計算的好處。一個例子是復制一組蠅眼運動檢測器電路的系統：模擬信號被多個接收器檢測到，然后通過最近鄰交互向側面傳播。該系統速度非常快且功耗非常低（Reid Harrison 在 1990 年代后期僅展示了幾微瓦），并展示了保留信號幾何形狀和模擬處理的優勢。

“純”神經形態系統的另一個特征是它們頻繁使用地址事件表示或 AER。該通信系統具有傳統網絡的許多優點，同時提供多對多通信，同時保持尖峰定時。

使用 AER，神經元在需要依賴其學習、行為和剛剛接收到的輸入時發出尖峰信號。它傳輸到網絡中的所有其他神經元，但只有應該接收尖峰的神經元才會這樣做；所有其他人都忽略它。該網絡的不同之處在于尖峰之間的間隙相對較大，因此可以認為從不同神經元大致同時到達的尖峰是相關的（圖 2）。

圖 2：地址事件表示是維持神經元用來通信的尖峰時間的一種方法——每個神經元都沒有直接連接到成百上千的其他神經元。只要尖峰出現的可能性足夠低，以至于同時到達編碼器的尖峰之間幾乎沒有爭用，它就可以工作。

許多神經形態系統使用 AER——法國的 Prophesee 和瑞士公司 aiCTX (AI cortex) 專注于感覺處理。這種方法同樣優雅和實用，提供了神經元之間硬連線連接的好處，而無需所有連線。這也意味著來自輸入信號的信息可以簡單地實時流過處理器，無關信息被丟棄，其余信息在神經管道中進一步處理。

權衡盡管這種“經典”神經形態技術具有吸引力，但缺點仍然存在。例如，所有的力量和速度都不是沒有懲罰的。數字電子產品比模擬電子產品更耗電，正是因為設備不斷糾正錯誤：將信號強制為 1 或 0。對于模擬電路，這種情況不會發生，因此由溫度變化、設備可變性和其他因素引起的誤差和漂移不會消失。結果可能并不完全?錯誤 ，而只是移位或損壞。

更糟糕的是，電子制造遠非完美的現實。值得慶幸的是，這對于數字技術而言并不重要，因為可以測試電路。如果他們失敗了，他們可以被丟棄。

盡管如此，在一個模擬系統中完美處理的一組神經權重在另一個模擬系統上可能效果不佳。如果你試圖集中學習，然后將這種行為復制到許多不同的機器上，那就要付出代價。代價可能是接受較低的可靠性，或者更有可能設計更多的冗余來克服這些問題。

幸運的是，這不是一個無法克服的問題，但在我們轉向憶阻器等新興技術時值得注意?。這些優雅的設備可用于神經網絡，因為它們是可以嵌入核心神經電路中的存儲器。憶阻器具有允許模擬神經元變得更加緊湊和低功耗的優勢。

另一種方法涉及最小化（或消除）模擬電路，同時實施基于自然的架構課程，尤其是分布式的、連接良好的神經元——使它們僅具有權宜之計的神經形態（圖 3）。

圖 3：什么是和不是神經形態之間的界限是模糊的。工程師在哪里做出妥協取決于應用和成功的標準。如果絕對可重復性很關鍵，而功率不是，則首選較少的神經形態解決方案。在速度、功率、面積和重量是主要關注點并且更容易接受模糊行為的情況下，神經形態計算變得實用。

例如， IBM 的 TrueNorth盡管是數字化的，但仍實現了非常低的功耗，因為基于邏輯的設備可以使用納米制造工藝制造；以這些小尺寸實現模擬電路要困難得多。

英特爾的 Loihi 芯片更接近模擬，因為它是異步的：每個神經元都可以以自己的速度觸發。同步通過一組相鄰交互發生，因此在其他進程完成一個時間步或時鐘驅動操作之前，不會開始任何進程。

良性循環所有這些都使得模擬神經形態系統看起來是死胡同，但事實并非如此。Loihi 和 TrueNorth 都是通用芯片，旨在用于通用學習任務。

但是生物學不是通用的。它根據特定任務進行優化。短期——速度、功率、面積和重量真的很重要——工程師也希望進行優化。他們最終會選擇最高效的設計，即使芯片更昂貴。

如果神經形態計算的一些利基應用被證明是成功的，例如關鍵字定位或感官處理，那么這可能會形成投資、開發、創新和優化的良性循環。最終結果可能是一個可行的行業，擁有自己的摩爾定律版本，它與認知和智能任務的需求更緊密地聯系在一起。

這導致了一個合乎邏輯的結論：神經形態處理器最終可以克服目前在嘗試構建復雜的智能機器時面臨的瓶頸。目標之一是機器可以推理和識別物體和情況，然后動態適應不同類型的感官數據——類似于人腦。

這一目標將需要深入了解生物過程，以使神經形態計算成為現實。

審核編輯 黃昊宇