{
  "id": "neuromorphic-computing",
  "title": "神经形态计算",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "神经形态计算借鉴神经系统设计硬件与算法，强调分布式处理、局部存储、时间动态和事件驱动通信。",
  "category": "computer-science",
  "subcategory": "hardware",
  "type": "concept",
  "aliases": [
    "类脑计算"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/neuromorphic-computing/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/neuromorphic-computing/",
      "json": "https://aiwiki.page/en/neuromorphic-computing.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "神经形态计算是一种借鉴生物神经系统的组织方式与动态特性来设计信息处理器件和算法的计算方法。其核心理念包括：将计算分散到大量相互作用的单元中，使存储靠近处理单元，通过随时间演变的活动来表示信息，以及仅在相关事件发生时进行通信。许多神经形态系统采用脉冲神经网络，其中的人工神经元通过离散脉冲交换信息；不过，该领域也涵盖连续时间模拟电路及其他受生物启发的架构。\n\n这一领域连接了计算机科学、神经科学与电子工程。它与传统人工智能加速器的区别，不只是更快地执行神经网络计算，而在于重新思考信息如何表示、存储、通信和转换。其潜在优势包括以低能耗处理稀疏的感知数据流、快速响应环境变化，以及在功率或通信资源受限的设备内部开展学习。这些优势在很大程度上取决于工作负载和具体实现；仅仅受到生物系统的启发，并不能证明其在计算上更具优势。\n\n神经形态计算涵盖几个不同的目标：构建高效计算系统、研究神经计算原理，以及建立有助于神经科学研究的物理模型。这些目标相互交叠，但并不总是适合采用相同的设计。一个高度复现神经元电学行为的电路，可能具有科学研究价值，却未必是识别任务的最佳工程方案；而一个高效的数字脉冲处理器，可能只复现了生物机制中的一小部分。"
    },
    {
      "heading": "起源与思想发展",
      "text": "在神经形态工程作为一个具名领域确立之前，已有多条相关研究脉络。1907年，路易·拉皮克提出了一种描述神经元兴奋的电学模型，成为积分发放神经元模型的前身。1943年，沃伦·麦卡洛克与沃尔特·皮茨描述了由理想化逻辑神经元构成的网络，推动了神经活动与计算之间联系的建立。相比之下，艾伦·霍奇金与安德鲁·赫胥黎于1952年提出的鱿鱼巨轴突模型，则通过电压依赖性离子电导解释动作电位。这些方法体现了不同的目标：一是对神经计算进行抽象，二是复现其底层的生物物理机制。\n\n人工神经网络的发展奠定了另一项基础。弗兰克·罗森布拉特的感知机以及后来的多层网络，将学习表示为连接强度的变化。然而，这类模型大多没有保留生物神经脉冲的精细时序。在传统计算机上实现这些模型，促使研究者采用以数值数组和反复算术运算为基础的计算形式，而不是让物理电路凭借自身的动态行为来完成计算。\n\n20世纪80年代，卡弗·米德为神经形态工程确立了标志性的电子学方向。他在1989年出版的《模拟超大规模集成电路与神经系统》以及1990年发表的《神经形态电子系统》一文中，阐述了超大规模集成电路如何利用器件物理特性来实现类似神经系统的处理。其中一个核心发现是：工作于弱反型区的晶体管具有指数型电流—电压关系，能够在微小电流下实现有用的非线性函数。这种方法不再仅仅将模拟器件的行为视为需要抑制的缺陷，而是将其用作计算资源。米德及其合作者开发的硅视网膜展示了如何通过局部适应和空间相互作用实现早期感觉处理。\n\n20世纪90年代至21世纪初，研究者开发了人工耳蜗、基于脉冲的通信接口、自适应硅突触，以及规模更大的混合信号神经元网络。地址事件通信的出现，使不同神经芯片之间能够互联，而无须为每个建模的突触单独配置一条物理连线。研究日益将定制电路与可编程数字基础设施相结合。\n\n2010年代，大型数字平台和混合信号平台拓展了这一领域。IBM的TrueNorth、英特尔的Loihi，以及SpiNNaker和BrainScaleS，分别体现了在生物学细节、可编程性、规模与能效之间的不同取舍。与此同时，深度学习的进展提供了强大的训练方法，也树立了要求更高的比较基准。因此，这一领域一方面发展为传统神经计算的替代方案，另一方面也成为一种互补技术，能够复用已训练的模型、软件工具和传感器处理方法。"
    },
    {
      "heading": "计算原理与生物学抽象",
      "text": "神经形态计算的一项核心原则是：计算可以从大量相对简单、具有内部状态的元件之间的相互作用中涌现。每个元件可以整合输入、维持短暂的内部状态、发出事件，或修改连接。因此，系统的整体行为不仅取决于各个单元执行的操作，也取决于连接关系和时序。这与大脑的某些特征相似，但并不意味着工程系统复现了大脑完整的组织方式、发育过程或生物化学复杂性。\n\n存储器的布局尤为重要。在传统的冯·诺依曼结构中，指令和数据通过由互连与缓存组成的层次结构，在处理单元与存储器之间传输。现代处理器采用多种方法来缓解这种分离带来的问题，但搬运神经网络权重和中间激活值仍可能消耗大量能量。神经形态架构通常将突触权重存储在使用这些权重的电路附近。这种局部性减少了部分数据搬运，但核间通信和对大型连接关系表的访问仍会带来显著开销。\n\n第二项原则是依活动而执行。在事件驱动设计中，神经元或突触不必在每个全局更新周期内都执行操作。只有当输入脉冲到达、内部状态越过阈值，或其他已调度事件到期时，才会进行处理。如果活动稀疏，所需的操作次数可能远少于反复求值的稠密网络。不过，一些数字神经形态系统仍按离散时间步更新神经元状态，一些模拟系统则持续消耗偏置功率。因此，“神经形态”并不一定意味着完全异步，也不意味着系统在脉冲之间不活动。\n\n时间也可以成为信息表征的一部分，而不只是控制执行过程的时钟。刺激可以通过一个时间窗内的脉冲数量、首个脉冲的潜伏期，或神经元群体中脉冲的相对时序来编码。动态网络可以通过膜电位、突触迹、适应变量和循环活动来保留信息。这些机制使时间信息处理成为系统的内在能力，而无须显式存储过去的每一次观测。\n\n生物学合理性是一项设计选择，而非单一标准。有些系统仅表示阈值越过和加权连接；另一些系统则纳入基于电导的突触、树突相互作用、适应机制或多个神经元区室。更丰富的细节可以支持特定计算或实验，但也会增加电路面积、存储空间和校准工作量。关键在于，哪些生物学特征有助于实现特定的计算或科学目标。仅仅增加类神经元组件的数量，并不能证明系统等同于生物神经系统。"
    },
    {
      "heading": "神经元模型、突触与时间编码",
      "text": "漏积分发放模型是神经形态计算中应用最广泛的抽象模型之一。其膜电位 \\(V\\) 在对输入电流进行积分的同时，趋向静息值：\n\n\\[\\tau_m \\frac{dV}{dt} = -(V-E_L)+R_m I(t),\\]\n\n其中，\\(\\tau_m\\) 为膜时间常数，\\(E_L\\) 为静息电位，\\(R_m\\) 为电阻参数，\\(I(t)\\) 为输入电流。当 \\(V\\) 达到阈值时，神经元发出一个脉冲，随后膜电位被重置。模型还可设置不应期，防止神经元立即再次发放。该模型刻画了积分、泄漏和阈值触发机制，而不描述动作电位的具体波形。\n\n更复杂的模型引入了一些机制，使神经元的响应随时间发生变化。自适应积分发放模型可在脉冲发放后提高发放阈值，或引入适应电流。2003 年提出的伊日凯维奇模型使用两个耦合微分方程，以相对较低的计算开销再现多种发放模式。霍奇金—赫胥黎模型等基于电导的模型显式描述离子通道，适用于需要考虑通道动力学的情形，但通常需要更多状态变量和计算量。硬件平台往往支持一组可配置的模型，而非单一的通用神经元模型。\n\n突触将突触前事件转化为对接收神经元的影响。在简单模型中，一个脉冲会给电流或电压增加一个带权增量。更精细的突触模型会产生按指数或多指数规律衰减的响应。突触的行为也可能取决于反转电位，使其作用受到接收神经元电压的影响。因此，兴奋性输入与抑制性输入之间的相互作用，并不等同于将固定的正数与负数相加。\n\n神经信息可以通过多种方式编码。频率编码使用一段时间内的脉冲数量或频率来表示信息。这种方式对单个脉冲的时刻误差相对稳健，但可能需要大量事件和较长的观测窗口。潜伏期编码则以更早发出的脉冲表示更强或更显著的输入。群体编码将信息分布在多个神经元中，而相对时间编码和相位编码则依赖事件之间的关系。合适的编码方式取决于传感器、任务、允许的延迟以及硬件的时间精度。\n\n对于任何给定任务，脉冲计算并不天然比非脉冲计算更准确，也不一定具有更强的表达能力。采用频率编码的网络可能类似于通过重复采样进行求值的传统网络，从而削弱其能耗优势。相反，仅使用少量精确定时脉冲的网络可能效率较高，却容易受到时序抖动或通信延迟的影响。编码和解码本身也有开销：将静态图像转换为长脉冲序列，可能消耗时间和能量，却不引入有用信息。当时间表征与输入中已有的结构或输出所需的结构相契合时，其优势才最为突出。"
    },
    {
      "heading": "事件通信与网络组织",
      "text": "大型神经形态系统需要一种传输脉冲的方式，以免为每条模拟连接都铺设物理连线。一种常见方案是地址事件表示，其中每个事件都携带其源端、目的端或路由表项的地址。活跃神经元的身份以数字形式传输，而时序信息则通过到达时间、时间戳或离散仿真步来传达。这样就将逻辑连接关系与芯片的物理布线分离开来。\n\n一个神经元可能连接数千个目标，因此，为每个目标单独复制事件的开销可能很大。神经形态互连网络通常采用多播：数据包沿共享路径传输，直到需要分叉前往不同目的地。路由表决定哪些计算核或芯片接收每个事件。在计算核内部，局部突触存储器将传入事件映射到相应的权重和目标神经元。这种组织方式类似于分组交换，但其流量模式和传递要求取决于神经活动，而非传统的应用程序消息。\n\n通信架构会对网络设计施加实际限制。即使一个模型的神经元数量并不构成问题，如果每个神经元的扇出很高，或者连接跨越相距较远的芯片，部署仍可能十分困难。连接表占用的存储空间可能比神经元状态变量还多。只有实现方案能够高效地表示稀疏连接并为其路由时，稀疏网络才能降低存储和运算开销。反过来，规则的连接模式，例如卷积神经网络中共享的局部连接结构，即使包含大量逻辑连接，也可能相对节省资源。\n\n时序是区分不同架构的另一个因素。异步系统允许事件在没有全芯片更新时钟的情况下传播，不过其电路内部仍可能包含局部时钟或握手协议。时间步进系统按规定的时间间隔处理活动，并可能使用屏障或其他同步机制，以保持模型的语义。混合设计则将事件触发的突触处理与时钟驱动的神经元更新结合起来。每种选择都会影响确定性、吞吐量、功耗以及实验的可复现性。\n\n由于神经活动可能呈突发性，拥塞问题尤为重要。平均放电频率可能很低，但在短暂时段内仍可能同时产生大量数据包。缓冲区、仲裁规则和流量控制机制决定了这些突发流量是否会造成延迟、反压或事件丢失。如果时序本身具有计算意义，脉冲延迟就可能改变计算结果，而不仅仅是延长完成时间。因此，要实现可靠部署，既需要分析平均事件数量，也需要分析最坏情况下的流量。在闭环系统中，需要考虑的延迟涵盖从传感器输入，经由路由和神经处理，直至产生相应动作的整条路径。"
    },
    {
      "heading": "数字、模拟及新型器件实现",
      "text": "数字神经形态处理器用有限精度的数值表示神经元状态和突触参数，由专用算术单元更新这些状态，并在局部存储器中保存连接关系和权重。数字设计具有可复现性好、设计工具成熟以及兼容标准互补金属氧化物半导体制造工艺等优势。它们可以实现可配置的神经元模型和学习规则，但其效率取决于存储器访问、路由、数值精度，以及能够在多大程度上避免无活动时的计算。\n\n模拟实现则使用电压、电流或存储电荷等物理量来表示状态。电容器可以对电流进行积分，而晶体管电路则实现泄漏、阈值和突触衰减等特性。由于电路的自然演化过程本身就能实现所建模的动态行为，因此可以省去一连串的数值运算。混合信号系统将这类模拟计算与数字事件路由、配置存储器或学习电路相结合。有些系统以接近生物系统的实时速度运行，另一些则有意加速神经动态过程。\n\n模拟计算也带来了特有的工程约束。器件失配意味着标称相同的元件可能具有不同的参数。温度、电源波动、噪声和漏电都可能影响其行为。校准可以补偿部分差异，但需要进行测量、参数拟合，并具备合适的调节范围。另一种办法是在训练中纳入实测的硬件行为。这类方法可以使精度有限成为一种可控的特性，但硬件差异并不天然等同于生物系统中有益的随机性或鲁棒性。\n\n存内计算为减少数据搬移提供了另一条途径。在电阻式交叉阵列中，沿各行施加的输入电压会产生电流，电流大小取决于所存储的电导值。理想情况下，各列电流满足\n\n\\[I_j=\\sum_i G_{ij}V_i,\\]\n\n从而利用电路定律实现矩阵与向量的乘法。研究人员已探索使用忆阻器件、电阻开关存储器和相变存储器来存储这些电导值。这些器件可以支持神经计算，却不一定实现脉冲动态，因此存内计算与神经形态计算虽有交集，但并非同义概念。\n\n交叉阵列的运行受到多种因素的限制，包括导线电阻、编程不理想、电导漂移、器件差异，以及数模转换和模数转换的开销。带符号权重通常需要使用多个器件或差分结构来表示。更新权重所消耗的能量可能远高于读取权重，而在频繁学习的场景中，器件的耐久性限制也可能成为重要因素。\n\n其他实验性方案采用光子元件、自旋电子器件或振荡网络。它们的吸引力在于高通信带宽、非易失状态或耦合动态等物理特性。要作出有意义的评估，就必须考虑配套电路、制造工艺兼容性、精度和系统集成，而不能只看单个器件一次操作的速度或能耗。"
    },
    {
      "heading": "学习与适应",
      "text": "神经形态计算不一定包含设备端学习。网络可以在其他平台上完成训练，再以固定权重部署，用于神经网络推理；也可以在运行过程中进行局部适应。这些方式对存储、能耗和可编程性的要求各不相同。固定权重的推理硬件可以简化突触存储，而学习则需要相应机制来确定更新、保留相关历史信息并修改参数。\n\n一种部署途径是将传统人工神经网络转换为脉冲神经网络。通过反向传播训练的网络经过转换后，其脉冲活动可以近似表示原网络的激活值。例如，某个时间窗口内的脉冲发放率可以近似表示整流线性激活函数产生的非负值。权重归一化和阈值选择有助于将脉冲发放保持在可用范围内。转换可以在很大程度上保留任务准确率，但较长的积分时间窗口可能会增加延迟和事件数量。归一化和激活值裁剪等操作也需要谨慎处理。\n\n直接训练脉冲神经网络能更明确地处理其时间行为。一个主要障碍在于，阈值触发事件的导数不适合常规的梯度优化：它在阈值处不连续，而在阈值之外保持常数。替代梯度学习在训练过程中，用平滑或分段的近似函数来替代这一导数。前向计算仍可采用脉冲形式，而反向计算则使用替代梯度。训练通常依赖时间反向传播，因此，即便推理效率很高，训练仍可能消耗大量计算和存储资源。\n\n局部可塑性提供了另一种方法。在脉冲时序依赖可塑性中，权重变化取决于突触前脉冲与突触后脉冲之间的时间关系。一种简化的脉冲对规则为\n\n\\[\\Delta w = \\begin{cases} A_+e^{-\\Delta t/\\tau_+}, & \\Delta t>0,\\\\ -A_-e^{\\Delta t/\\tau_-}, & \\Delta t<0, \\end{cases}\\]\n\n其中，\\(\\Delta t=t_{\\mathrm{post}}-t_{\\mathrm{pre}}\\)。该表达式描述的是一种被广泛研究的模式，而非普遍适用的生物学定律。真实突触对脉冲频率、膜状态和神经调质信号的依赖关系多种多样。\n\n基于时序的局部更新可以识别相关性，但仅靠这种更新，并不能解决执行任务的深层网络中的信用分配问题。三因子规则在局部突触前后信息的基础上，加入奖励等调制信号。资格迹会保留先前活动的记录，直到该信号到达，从而将局部可塑性与强化学习联系起来。\n\n在线适应也带来了稳定性问题。持续变化的权重可能破坏先前习得的行为，导致灾难性遗忘。因此，稳态调节机制、有界更新、巩固机制，以及局部学习与外部计算学习相结合的方法，都是重要的研究方向。必须将学习质量与硬件是否具备修改突触的能力分开评估。"
    },
    {
      "heading": "代表性计算平台",
      "text": "不同神经形态平台之间的差异很大，仅凭神经元数量难以进行有效比较。一个“神经元”可能指一个实体模拟电路、一条以数字方式更新的状态记录，也可能指由可编程处理器仿真的一个模型。同样，突触数量可能指可配置的路由槽位数、存储的权重数，或有效连接数。以下四类具有代表性的平台，体现了它们在架构设计目标上的差异。\n\nIBM公司于2014年推出了TrueNorth。该芯片包含4,096个神经突触核心，可支持约100万个可编程脉冲神经元和2.56亿个突触。它采用数字电路和高度分布式的组织结构，通信围绕脉冲展开。经常被引用的约70毫瓦运行功耗，是在特定实时工作负载和运行条件下测得的，并不代表映射到该芯片上的任何网络都具有这一功耗。TrueNorth侧重于低功耗推理，通用的片上突触学习并非其核心功能。\n\n英特尔于2017年发布了研究处理器Loihi，集成了可编程神经元动力学和局部学习机制。第一代芯片配备128个神经形态核心、约13万个神经元，以及嵌入式管理处理器。其可配置的学习引擎，使它区别于那些主要面向固定权重推理的架构。2021年发布的Loihi 2将单芯片容量提高至最多100万个神经元，并引入了更灵活的神经元编程和事件通信机制。这两代芯片的设计目的，都是探索适合事件驱动执行的算法，而不是简单地取代传统处理器来运行任意软件。\n\nSpiNNaker由曼彻斯特大学在史蒂夫·弗伯的领导下开发，采用可编程众核方案。其芯片使用ARM处理器核心，并通过针对神经脉冲流量优化的分组交换网络将这些核心连接起来。第一代系统于2018年达到百万处理器核心的规模。神经模型以软件方式执行，因而具有灵活性，但代价是需要执行一些指令和存储器操作，而专用神经元电路可能无需这些操作。该平台已广泛用于大规模神经仿真，包括一些以生物学建模而非机器学习推理为重点的研究。\n\nBrainScaleS由海德堡大学开发，使用混合信号电路，以物理方式实现神经动力学。其突出特点是加速运行：所建模的神经过程可以比对应的生物过程快得多。BrainScaleS-2系统的加速倍数约为1,000倍，不过，实验层面的吞吐量还取决于配置、数据传输和学习流程。加速运行有助于快速探索网络行为，但也使系统更难与按正常物理时间运行的传感器或机器人交互。\n\n这些实例体现了不同的权衡取舍。TrueNorth侧重于紧凑、低功耗的推理，Loihi侧重于可编程的事件驱动计算与学习，SpiNNaker侧重于软件灵活性和规模，而BrainScaleS则侧重于加速的物理仿真。结合各自的设计目标来解读这些平台的结果，才能获得最有价值的信息。"
    },
    {
      "heading": "软件、映射与编程模型",
      "text": "为神经形态系统编程，通常首先要建立模型，描述神经元、突触、连接关系以及输入输出行为。随后，必须将这一描述转换为符合目标硬件限制的部署方案。传统程序的指令通常在相对统一的处理器上执行，而神经网络模型则可能需要划分到多个核心上，每个核心在神经元数量、突触数量、路由表项数量以及支持的状态变量方面都有固定限制。\n\n软件框架提供了不同层次的抽象。PyNN 提供通用的 Python 接口，可用于描述运行在多种模拟器及其支持的硬件后端上的脉冲神经网络。Nengo 侧重于构建能够表示和变换信号的神经网络模型，其中包括基于神经工程框架的模型。Lava 为面向 Loihi 及其他执行后端的神经形态应用提供软件基础设施。PyTorch 等通用工具也可通过专用库来训练脉冲神经网络模型，即使最终部署是在其他平台上进行。\n\n神经形态编译器或映射工具所做的远不止转换算术运算。它可能需要量化权重、选择硬件可表示的时间常数、为神经元状态分配存储空间、压缩连接信息以及构建路由表。它还可以变换网络，使其符合架构限制。例如，输入连接过多的神经元可能需要拆分，或借助辅助单元实现。这些变换可能改变时序、数值行为和通信负载，因此部署后的模型在语义上并不总是与原始软件模型完全一致。\n\n映射是一个需要统筹计算与通信的问题。将连接紧密的神经元群放置在相邻位置，可以减少核心间的通信流量，但也可能超出局部存储容量。分散放置神经元可以均衡处理负载，却会增加路由需求。最优映射取决于预期的活动情况，而不仅仅是静态连接数量。即使一个网络能够装入存储器，若少数高度活跃的神经元使某条通信链路过载，其性能仍可能不佳。\n\n调试需要能够观察动态系统的内部状态。实用的工具会记录脉冲、膜电位、突触变量、数据包统计信息和功耗测量值。过度记录本身也可能因占用带宽或存储空间而影响性能。对于模拟硬件，还需要表征参数分布并校准器件。数字硬件则会带来定点数舍入、饱和以及时序受调度影响等问题。\n\n由于各平台在支持的神经元方程、学习规则、延迟、权重格式和执行语义等方面存在差异，可移植性仍然有限。应用程序编程接口可以统一模型描述，却不能保证相同的行为或效率。因此，要确保实验可复现，不仅需要记录源代码和训练后的权重，还必须记录映射决策、硬件配置、校准流程、输入编码，以及用于生成部署产物的软件版本。"
    },
    {
      "heading": "感觉处理、控制与科学应用",
      "text": "神经形态系统尤其适合处理稀疏、异步且随时间变化的输入。事件相机报告的是各个像素处对数亮度的变化，而不是按固定时间间隔传输完整图像。每个事件通常包含像素位置、时间和亮度变化的极性。这类传感器能够提供精细的时间分辨率，并避免重复传输未发生变化的背景，但场景运动、闪烁或传感器噪声也可能产生密集的事件流。\n\n基于事件的视觉应用包括跟踪、手势识别、光流估计和视觉导航。脉冲处理器可以直接接收传感器事件，从而减少重建传统图像帧的需要。但这种方案并不总是最准确或最高效的：一些基于事件的方法会将事件转换为张量，再使用传统神经网络加速器进行处理。比较不同方案时，需要考虑预处理、传感器输出速率、推理延迟以及任务所要求的准确度。因此，神经形态计算机视觉涉及架构上的选择，而不是使用事件相机后自然而然就会得到的结果。\n\n听觉处理是另一个天然适用的领域。人工耳蜗将声音分解到具有频率选择性的通道中，并可将通道活动编码为脉冲。研究人员已探索利用时序神经电路进行声源定位、关键词检测及其他形式的语音识别。低功耗持续监听很有吸引力，因为设备可能需要长时间保持运行，却只对偶尔出现的相关声音作出响应。评估其收益时，需要将麦克风、模拟前端和特征提取环节都纳入功耗核算。\n\n机器人技术将感觉处理与有严格时限要求的动作结合起来。研究人员已探索将神经形态系统用于避障、触觉感知、自适应运动控制以及同时定位与地图构建。这类系统具有保留状态的动态特性，能够自然地整合近期的传感器历史信息；而在环境变化缓慢时，事件触发式处理可以减少计算量。然而，神经响应迅速并不意味着闭环控制一定快速或稳定。执行器动态、通信延迟、传感器不确定性以及控制系统稳定性，仍然是必须考虑的重要因素。\n\n科学应用的成功标准有所不同。神经形态平台可用于检验神经元适应、突触可塑性或循环连接如何影响群体行为。加速运行的模拟系统可以探索大量参数设置，而可编程数字平台则能利用可配置模型模拟大规模网络。这些实验是对软件仿真的补充，而非替代，因为硬件约束和非理想特性可能会影响所模拟的动态行为。\n\n其他研究则探索优化、动态分类和自适应边缘设备。在这些应用中，问题被编码为网络状态或相互作用，系统的演化则产生候选结果。这类方法需要与表现优异的传统算法进行比较；物理上的并行实现并不能消除问题本身的固有难度。"
    },
    {
      "heading": "性能评估与尚待解决的问题",
      "text": "神经形态计算的性能必须以完整任务为单位进行评估。常用指标包括准确率、决策延迟、吞吐量、每次决策的能耗、平均功率、内存占用和适应能力。这些指标通常无法归结为单一排名。一个系统可能功耗极低，却需要很长的观测时间窗口；也可能响应迅速，却牺牲了准确率。实时运行的要求本身也因任务而异：声音触发装置、运动中的机器人，以及加速进行的神经科学实验，各自对时序有着不同的要求。\n\n能耗比较对测量边界尤其敏感。只报告神经形态芯片的能耗，会遗漏主机、输入编码、外部存储器、传感器接口、冷却和通信等可能产生的开销。应区分静态功耗与随活动量变化的能耗。训练与部署也应分开考察：在图形处理器上训练的模型，可能在神经形态设备上高效运行，但其训练过程未必节能。\n\n不同架构中的操作不能直接等同。突触事件、乘加运算和模拟交叉阵列求值，在不同精度假设下完成的有效工作量各不相同。每次突触操作的能耗可以表征硬件，但仅凭这一指标，无法确定正确完成一次任务所需的能耗。如果各系统使用等量的输入信息，满足相近的准确率与延迟约束，并纳入在现代传统硬件上实现的高性能基线进行对照，比较就会更有意义。\n\n基准测试的选择仍是一项重要挑战。静态图像分类任务便于开展和复现，却可能无法充分体现时间处理的价值。事件数据集能更好地展现时序结构，但通过在静态图像前移动相机而生成的数据集，未必能反映自然的交互式感知。除了在固定测试集上的表现，还应考虑分布偏移、传感器噪声、变化的事件速率和意外的突发事件流。闭环基准测试能够揭示预先录制的输入所掩盖的优势或失效情况。\n\n若干更广泛的研究问题仍未解决。目前尚不清楚，时间编码、神经元动力学和学习规则的哪些组合，能够在具有实际用途的各类工作负载中持续展现优势。对于只能利用局部信息的系统，可扩展的信用分配仍然困难。即使神经元更新效率很高，密集连接仍可能使通信和存储系统不堪重负。模拟器件的变异性、有限的数值精度和器件老化问题，也必须在满足可复现性与可靠性要求的前提下得到处理。\n\n传统计算也在通过支持稀疏性、采用低精度运算、改进存储层次结构和开发专用加速器而不断演进。因此，神经形态设计面对的是一个不断变化的比较对象，而非固定不变的基线。其最独特的机遇，在于围绕事件驱动的动态过程，将感知、存储、计算和行动组织为一个整体；要确认这些机遇，就需要在测量中如实保留目标应用的时序、准确率和系统开销。"
    }
  ],
  "links": [
    "spiking-neural-network",
    "computer-science",
    "artificial-intelligence",
    "artificial-neural-network",
    "transistor",
    "deep-learning",
    "brain",
    "von-neumann-architecture",
    "packet-switching",
    "convolutional-neural-network",
    "synchronization-computing",
    "cmos",
    "calibration",
    "neural-network-inference",
    "backpropagation",
    "backpropagation-through-time",
    "spike-timing-dependent-plasticity",
    "reinforcement-learning",
    "catastrophic-forgetting",
    "ibm",
    "pytorch",
    "compiler",
    "application-programming-interface",
    "computer-vision",
    "speech-recognition",
    "simultaneous-localization-and-mapping",
    "graphics-processing-unit",
    "test-set",
    "distribution-shift"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}