神经形态计算

概览

神经形态系统通过稀有的事件和分布状态代表信息,而不是持续地为每个操作计时. 硬件神经元在达到阈值或动态规则后,融合了来入信号并发出突起. 突触分量形成通信,使时间感知得以进行并适应性控制以及以潜在的低延迟和能量推论.

技术基础

螺旋神经元模型融合了加权事件,并释放出离散的悬崖状物等膜状态跨越一个阈值后再重置或适应. 时间本身可以通过耐久,速率或同步来编码信息. 事件驱动的硬件只激活了受影响的电路,减少了数据移动. 突触横杠利用数字记忆,模拟导出或新兴阻力装置进行平行的加权积累. 共定位态和算术解决了冯·诺伊曼瓶颈,尽管外围转换、路由及学习电道仍然消耗能量。

如何运作

数字,模拟或混合信号回路执行神经动力学的功能;而交叉栏记忆或者局部SRAM存储突触参数则接近计算. 传感器只有在亮度,声音或其他数量发生变化时才能输出出事件. 网络通过代用梯度来训练,从常规模型转换出或根据局部可塑性规则进行改造. 串接织物在核之间同步产生尖刺。

衡量和研究方法

基准衡量动态视觉,音频或触觉感知等事件流的端到末能、耐久性和准确性. 动力仪器必须包括传感器接口和主机通信. 训练可以通过代用衍生物,局部的突起刺激可塑性或由修正神经网络转换来进行回向推广. 硬件-意识模拟模型在部署前限制了重量精度,设备不匹配和悬崖拥堵. 校正和顺势机制补偿了类似漂移,而断层注射测试强性以抑制突触并抛出事件.

二. 主要想法

• 神经形态学描述了一个建筑家族,而不是一种通用的"元神經模型(英语:universal syneum (film)-models and pervication conduction.
• 能源比较需要相同的任务,准确性、耐久性和测量边界.
• 当基本信号和工作量也稀少时,Sparse事件流提供最大的优势。

目前的研究领域

前沿包括接地上不断学习,凹陷计算和混合系统将神经形态前端与常规加速器相结合. 中度突触承诺了密集的模拟存储,但面相耐受性能可变性和非线性的更新. 传感器-计算共设计可能比单独复制生物细节产生更大的收益. 需要共同的基准,以避免出现一种装置的演示。 开放式问题涉及可扩展软件抽象,在线塑性稳定性和事件系统安全等. 神经形态处理器可能是专门的组成部分,因此在实际工作周期下进行公平的评价比较完整的不同系统。

为什么它很重要

这种方法可以使感知、机器人和边缘智能始终处于力量与反应时间所限的状态。 它还为计算神经科学和在线适应提供了实验平台.

限制和未决问题

编程工具和基准仍然支离破碎,模拟设备漂移而大型网络面临出行限制. 许多主流工作量密集,减少利益;光靠生物灵感并不能保证正确. 部署需要校正传感器、故障处理和任务级证据,以对抗高效的常规加速器。