神经形态工程

神经形态工程，也被称为神经形态计算，是使用电子电路来模仿神经系统中存在的神经生物架构。神经形态计算机/芯片是任何使用物理人工神经元（由硅制成）来进行计算的设备。近来，神经形态一词被用来描述模拟、数字、混合模式模拟/数字VLSI，以及实现神经系统模型（用于感知、运动控制或多感官整合）的软件系统。神经形态计算在硬件层面的实现可以通过基于氧化物的记忆体、自旋电子存储器、阈值开关、晶体管等实现。训练基于软件的神经形态系统的尖峰神经网络可以通过误差反向传播来实现，例如使用基于Python的框架，如snnTorch，或者使用生物学习文献中的典型学习规则，例如使用BindsNet。神经形态工程的一个关键方面是理解单个神经元、电路、应用和整体架构的形态如何创造理想的计算，影响信息的表示方式，影响对损害的鲁棒性，结合学习和发展，适应局部变化（可塑性），并促进进化变化。神经形态工程是一个跨学科的学科，它从生物学、物理学、数学、计算机科学和电子工程中获得灵感，设计人工神经系统，如视觉系统、头眼系统、听觉处理器和自主机器人，其物理结构和设计原则是基于生物神经系统的。神经形态工程的最早应用之一是由CarverMead在20世纪80年代末提出的。

神经形态工程目前是与众不同的，它从我们对大脑结构和运作的了解中获得灵感。神经形态工程将我们对大脑功能的了解转化为计算机系统。工作主要集中在复制生物计算的模拟性质和神经元在认知中的作用。神经元及其突触的生物过程复杂得令人生畏，因此非常难以人工模拟。生物大脑的一个关键特征是，神经元的所有处理都使用模拟化学信号。这使得在计算机中很难复制大脑，因为目前这一代计算机完全是数字的。然而，这些部分的特征可以被抽象为数学函数，密切捕捉神经元操作的本质。神经形态计算的目标不是要完美地模仿大脑和它的所有功能，而是要提取其结构和操作中已知的东西，用于实用的计算系统。没有一个神经形态系统会声称或试图重现神经元和突触的每一个元素，但所有系统都坚持这样的理念：计算高度分布在一系列类似于神经元的小型计算元素中。虽然这种观点是标准的，但研究人员用不同的方法来追逐这一目标。

早在2006年，佐治亚理工学院的研究人员就发表了一个现场可编程的神经阵列。这个芯片是一系列越来越复杂的浮动门晶体管阵列中的xxx个，它允许对MOSFET门上的电荷进行编程，以模拟大脑中神经元的通道-离子特性，是首批硅可编程神经元阵列的案例之一。2011年11月，一组麻省理工学院的研究人员使用400个晶体管和标准CMOS制造技术创造了一个计算机芯片，模仿两个神经元之间突触中的模拟、离子通信。2012年6月，普渡大学的自旋电子研究人员提交了一篇关于使用侧向自旋阀和记忆体设计神经形态芯片的论文。

他们认为，该架构的工作原理与神经元类似，因此可用于测试再现大脑处理的方法。此外，这些芯片的能源效率明显高于传统的芯片。惠普实验室对莫特记忆体的研究表明，虽然它们可以是非挥发性的，但在明显低于相变温度的温度下表现出的挥发性行为可以被利用来制造一个神经元，一种模仿神经元中行为的生物启发装置。2013年9月，他们提出了模型和模拟，显示了这些神经元的尖峰行为如何能被用来形成图灵机所需的组件。由斯坦福大学的BrainsinSilicon建造的Neurogrid是一个使用神经形态工程原理设计的硬件实例。