神經形態計算
關注創建者：匿名 創建時間：2026-03-06
神經形態計算的實例教程
對神經形態計算的濃厚興趣刺激人們研發出一系列全新的存儲設備，這些設備可以復制生物神經元和突觸功能。最近，一篇回顧該領域現狀的論文對六種最有前景的技術進行了盤點和解讀。
這篇題為“用于神經形態計算的新興存儲器件”的論文發表在1月份的《先進材料技術》（Advanced Materials Technologies）上。論文中，作者闡述了擺脫晶體管和馮·諾依曼架構轉而采用與尖峰神經網絡更緊密結合的技術的優勢，尖峰神經網絡是神經形態計算的基礎。論文的目的是在神經形態計算中找出比CPU、GPU、DRAM和NAND等傳統設備更快、更節能的設備。
論文作者盤點和介紹的六種存儲器件包括電阻式記憶存儲器（ReRAM）、擴散式憶阻器、相變存儲器（PCM）、非易失性磁性隨機存儲器（MRAM）、鐵電場效應晶體管（FeFET）和突觸晶體管。下面我們具體地看一下。
ReRAM
ReRAM是基于電阻式隨機存取的一種非易失性存儲器。換句話說，關閉電源后存儲器仍能記住數據。ReRAM可以由許多化合物制成，最常見的化合物是各種類型的氧化物。據論文作者介紹，ReRAM的主要優勢在于其可擴展性、CMOS兼容性、低功耗和電導調制效應，這些優點讓ReRAM可以輕松擴展到先進工藝節點，能夠進行大批量生產和供應，并且能夠滿足神經形態計算等應用對能耗和速度的要求，所有這些都使ReRAM成為下一代存儲器的主要競爭者。
ReRAM對神經形態計算的適用性與憶阻器根據施加電壓的歷史改變其狀態的能力有關。由于這種能力，ReRAM具有生物神經元和突觸的時間特性和模擬特性。
展開 與生物大腦的神經突觸類似，憶阻器（Memristor）兼具記憶和邏輯運算的功能，理論上可以通過憶阻器完全替代現有的數字邏輯電路。這類能與CMOS工藝兼容的器件具有結構簡單、速度快、功耗低、高存儲容量和存內數據處理能力等優點，是實現高密度存儲和以數據為中心的存內計算和感知計算技術的優勢基礎器件。然而，大多數阻變介質的結構不均勻性通常會導致隨機和高度局部的電阻開關特性，從而降低了實際應用中納米級憶阻器的良率和可靠性。因此，為了突破基于傳統馮·諾依曼架構的算力瓶頸和摩爾定律限制，非常有必要創新設計和制備新型憶阻功能材料，開發具有優異的保持力、耐用性和器件間（D2D）性能一致性的憶阻器，這已成為后摩爾時代人工智能芯片領域的重要創新方向，也是一項極具挑戰性的課題。
華東理工大學陳彧教授團隊與上海交通大學劉鋼研究員團隊及合肥工業大學張章教授團隊合作開展了聚合物憶阻功能材料的合成及納米神經形態器件構建研究工作。研究發現，利用二維有機共軛策略提高高分子的共平面性、結晶度和阻變穩定性，通過微納加工技術制備的良率高達90%的低功耗高分子憶阻器，具有與金屬氧化物憶阻器可比擬的應用潛力，為發展小型化、高密度與低功耗存算計算技術提供了新的材料體系和優勢器件基礎。
展開 與經典計算機類比，這些系統相當于1946年首臺計算機ENIAC，但是發展迅速，例如，BrainScaleS在歐洲人類大腦計劃支持下，預計在2022年，也就是計劃結束前一年，實現在神經信息處理能力上超越人類大腦。
我國在類腦機研制方面還沒有重大規劃和行動，但相關基礎研究工作也已經有上十年的歷史。2015年9月，北京啟動“腦科學研究”重大專項，“腦認知與類腦計算”作為兩大任務之一，從理論基礎研究、類腦計算機研制和類腦智能應用三個層次布局了九個方面的任務，包括：大腦結構解析平臺、認知功能模擬平臺、神經形態器件、類腦處理器、機器學習芯片、類腦計算機、視聽感知、自主學習和自然會話，調動了北京地區腦科學研究力量協同攻關重大共性技術，取得了一批具有國際影響力的成果。北京專項啟動一個多月之后，美國能源部（美國超級計算機研制的牽頭部門）10月29-30日召集全國專家，圍繞“神經形態計算：從材料到架構”進行研討[25]，會議內容與北京“腦科學與類腦計算”布局高度類似。
神經形態器件是類腦機的“晶體管”，最近幾年發展很快。2008年惠普模擬神經突觸的憶阻器件；2016年8月IBM用相變材料仿真神經元；9月，美國馬薩諸塞大學阿默斯特分校采用擴散型憶阻器研制成功逼近神經突觸的器件；10月，普林斯頓大學宣布研制成功比光神經元，標志著神經形態器件的競爭已經進入白熱化階段。
我國在神經形態器件方面已經有十多年的研究歷史，北京大學、清華大學、南京大學、中科院上海微系統所、華中科技大學和國防科技大學等單位的成果表明中國很有可能對這一領域產生巨大影響。盡管這些器件應用于神經計算系統還有很長的路要走，它們將從根本上塑造神經計算機的未來，就像晶體管和集成電路對經典計算機的貢獻一樣。
展開 此外，所有輸入可在單個器件所有節點可同時進行計算操作，其中特定列的輸出電流由通過連接輸入到特定列的所有憶阻器的總和電流確定。換句話說，N個輸入和M個輸出的N × M憶阻器交叉開關的單個讀操作執行N ×（N × M）矢量矩陣乘法，具有高度的計算并行性。而在傳統系統中，執行同樣的任務需要N×M個乘機累加運算才能實現。憶阻器的神經網絡硬件的高效計算特性主要是基于存儲和計算的共存位置以及高水平的并行計算特性。
神經形態硬件對于憶阻器研究來說是一個特別有吸引力的領域，因為系統級神經網絡可以容忍當今許多器件非理想性特性，如器件的本征變化。實際上，設備運行時間隨機性正可以用來模擬真實生物突觸特性，并且可在訓練期間進行優化。此外，實際的網絡操作不需要多年的數據保留，并且也可以放寬對設備耐久性的要求，因為權重更新通常比較少。
從數學的角度上說，神經形態計算可以分解為一系列矢量矩陣乘法運算，通過憶阻器交叉結構結構實現。在這些系統中，通過突觸連接的相對加強和弱化發生實現“學習”功能（圖 2）。在過去的幾年中已經證明了基于憶阻器的神經網絡硬件模式。例如，已經演示了執行模式分類的憶阻器硬件，最初使用2×10陣列并且稍后擴展到12×12陣列。2016年引入了一個使用憶阻器陣列進行神經形態應用的通用點積引擎，通過在線學習進行了主成分分析的演示。
在SNN中，常見學習規則是尖峰定時依賴模式 - 當突觸前神經元尖峰在突觸后神經元尖峰之前時，兩個神經元之間的突觸增強，如果相反則減弱。實際上，甚至有人認為憶阻效應可以解釋與尖峰定時相關的可塑性行為。到目前為止，許多研究人員已經使用實驗裝置參數通過全系統仿真研究了基于憶阻器-SNN。
總體而言，神經網絡模型的開發和探索是目前非常活躍。使用不同的神經元，突觸和網絡模型來探索各種新型計算模式。
展開 這將允許出現一種稱為“常關（normally-off）”計算的情況。這是一個很大的變化，”
Yeric說：“能夠凍結片上計算過程，保留狀態而不消耗電力然后恢復，會產生相當可觀的后果。這將需要一種新的處理器架構。我認為我們將增加一條新的處理器產品線，這可以解決物聯網領域不同的功率范圍需求問題。通過使用收集的能源，在沒有電池的情況下工作。它符合物聯網的特點和發展勢頭。”
但實際上還有很多事情需要解決，如將不同的材料引入晶圓廠總是需要小心，因為這可能會增加采用成本。這就是為什么還有基于更熟悉的材料的非易失性存儲器的原因之一，例如基于氧化鉿的鐵電存儲器，以及基于氧化硅的ReRAM。這兩種材料都被用作晶圓廠生產中的絕緣體，但研究人員正在開發可用于存儲器制造的材料性能，并已經取得了可喜的進展。
由科羅拉多大學教授Carlos Paz de Araujo通過他的公司Symetrix Corp.（Colorado Springs, Colo.）開創了CeRAM技術。ARM自2014年開始與Symetrix合作。Yeric認為，該技術距離商業化還有兩到三年的時間。CeRAM的耐久性比較好，存取速度和能效也不錯。但這些并不是CeRAM的專利，很多非易失性存儲技術似乎都有機會在這個階段發展起來。
Yeric指出，魔鬼始終處于進程節點和集成過程中的細節，從位到陣列再到子系統。“我們希望在下一屆ARM研究峰會上有一些這方面的報道”，他補充道。
神經形態計算
下面討論一下神經形態計算。
展開 
神經形態計算的最新內容
AI 處理，加速推動物理人工智能領域下一代應用的開發</li><li>新思科技 PathFinder-SC? 簽核解決方案以更高精度提供更準確的版圖級結果，專業管理設計需求，并支持早期階段分析</li><li>新思科技 Totem? 電源完整性平臺支持晶體管級分析，為超低功耗 AI 處理器提供可靠的電力傳輸與性能優化</li></ul><p><br></p><p>面向傳感器邊緣超低功耗智能應用的類腦神經形態計算領域領導者
在低電流或非對稱注入條件下實現穩定激光發射的特性，使其成為數據中心高密度芯片間互連、醫療環境光學傳感器，甚至神經形態計算系統的理想候選者。與傳統方法相比，該技術無需復雜的外部相位鎖定系統，通過集成設計實現了光束控制，為光子芯片的大規模生產提供了可行性。此外，硅基平臺的潛在兼容性（盡管當前研究基于III-V族材料）也為未來電光集成開辟了道路。
**控制系統的升級**：
- **先進算法與計算架構**：量子計算和神經形態計算的應用將顯著提升機器人的實時性和靈活性，使其能夠更快速、準確地執行任務。
### 人機協作與融合
1. **人機協同的拓展**：
- **實時響應**：通過傳感器和智能夾持器，機器人能夠實時響應環境變化，從而更安全、高效地與人類協同工作。
在神經科學方面，Matlab有幾個常用的工具箱可用。以下是一些常見的工具箱及其主要應用：
No
工具箱名稱
功能說明
1
Signal Processing Toolbox
用于處理和分析神經信號，例如腦電圖（EEG）和腦磁圖（MEG）等。它提供了各種濾波、頻譜分析、時頻分析和信號可視化的函數
在AI硬件層面，我們在神經形態計算（neuromorphic computing）上展開過一些研究，我們發現隨著網絡規模最大，計算誤差也會隨之增大，解決這個問題的一個辦法就是實現片上訓練，而激活學習的本地訓練特性使得它更容易實現片上訓練，推動神經形態計算技術的研究和發展。
4.新興范式：基于新形態變換的量子、形態計算，涉及新的狀態變換(信息強相關電子態/自旋取向)、新興器件技術(自旋器件/量子)和新興架構(量子計算/神經形態計算)，商業化難度很大。
RISC-V 推動指令集架構創新。RISC-V 指令集完全開源，設計簡單，易于移植 Unix 系統，模塊化設計，完整工具鏈，同時有大量的開源實現和流片案例，得到很多芯片公司的認可。
一種稱為神經形態計算的解決方案從生物大腦中汲取靈感來創建節能設計。不幸的是，雖然這些芯片在節能方面可以超過數字計算機，但它們缺乏運行大型深度神經網絡所需的計算能力。這讓人工智能研究人員很容易忽視它們。
這在 8 月終于改變了，當時Weier Wan , H.-S.
從現在神經科學的進展看，“神經計算”與數值計算在有些情況下會產生本質區別，如目前興起的神經形態計算（ Neuromorphological computing），但總體上說，“數值計算”可以“模擬神經計算”。至少從現在看，“算法的不同實現途徑”，并不影響馬爾計算視覺理論的本質屬性。
>>>>
計算理論
計算理論需要明確視覺目的， 或視覺的主要功能是什么。
基于點積模擬處理的神經形態計算。圖源：Nature Communications
許多 PIM 依賴于模擬計算（analog computations）。具體來說，在 AI 應用中，加權點積在模擬域中的計算方式類似于大腦處理信號的方式，這就是為什么這種做法通常也被稱為「神經形態計算」的原因。
圖 1 顯示了未來 15 年基于神經形態傳感和計算的汽車、工業和移動領域的預期市場規模，這代表了一個相當大的機會。如果一個人專注于傳統計算，那么 CMOS、CPU 和 GPU 設備和架構的使用會受到摩爾定律、內存墻和熱墻的限制，如圖 1 所示，因此需要具有更好內存訪問的神經形態傳感和計算。這是佐治亞理工封裝中心的技術愿景。
