前沿:神经形态工程(NE)是一系列受神经生物学系统影响的信息处理方法
这一功能是神经形态计算系统与传统系统的区别所在。 数十亿年来,大脑不断进化,能够使用低功耗、高效的并行计算来解决工程问题。 NE设计的目标是创建能够执行类脑计算的系统。 近年来出现了许多大规模的神经拟态项目。 《麻省理工学院技术评论》将这一跨学科领域列为 2014 年十大技术突破之一,世界经济论坛将其列为 2015 年十大最具新兴技术之一。NE 是一个多方面的领域,有两个目标:第一,科学化 一是使用在集成电路(IC)上实现的模型来理解生物神经系统的计算特征,二是利用已知生物系统的特性来创建和实现用于工程应用的高效设备的工程目标。 硬件神经模拟器在模拟大规模神经模型方面非常有用,这些模型可以解释大脑中智能的产生方式。 神经形态模拟器具有高能效、并行、分布式、需要较小硅表面等优点。 因此,这些神经形态模拟器在广泛的工程应用中比传统 CPU 更高效,例如将深度学习算法移植到各种识别任务中。 我们在这篇评论中描述了最重要的神经形态尖峰模拟器,比较了它们的架构和方法,强调了它们的优点和缺点,并展示了每个模拟器可以为神经建模器提供的功能。 本文是神经和突触模型综述(Indiveri 等人,2011 年)的延续,并讨论了大规模模拟器。 我们探索这些模拟器的应用并讨论它们的未来潜力。
构建人脑的大型数字模拟可以彻底改变神经科学和医学,并展示制造更强大计算机的新方法(Markram 等人,2011)。 大脑是最复杂、最强大、最高效的计算系统,在低功耗和小尺寸的约束下运行。 这些规格是通过使用超过 1000 亿个突触和 1000 亿个神经元来实现的。 即使超级计算机也无法用复杂的神经元模型实时模拟皮质。 例如,个人电脑比老鼠大脑多使用 40,000 的电量,但速度慢 9,000(Eliasmith,2012)。 根据人脑项目的目标,模拟 2 x 1010 神经元皮质模型将需要一台百亿亿次计算机(1018 次浮点运算)和 25 万个家庭的电力(0.5 GW)。
电子行业正在寻找解决方案,使计算机能够处理大量增加的数据处理需求。 神经形态计算是一种受大脑计算能力启发的替代解决方案。 Mead (1989a) 观察到,模拟原理用于大脑的神经计算,这与传统计算的数字原理有根本的不同。 这一观察导致了神经形态技术(NE)的发展。 硅神经元是模拟/数字 VLSI 电路,模仿真实突触和神经元的电生理行为。 可以直接使用硅神经元来模拟神经网络,而不是依赖于通用计算机中的模拟。 这些硬件模拟比计算机模拟更节能,因此适合大规模实时神经模拟。
来源和详细信息:
https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2018.00891/full