神经形态计算：由人脑启发的计算机科学的新领域

近年来，需求已增长，以提高效率更高，更智能的人工智能系统。与我们习惯的传统系统不同，遵循冯·诺伊曼(Von Neumann)体系结构模型，神经形态计算模仿神经元结构和过程，提出了一种旨在解决计算的基本限制的方法，例如高能消耗和慢速任务处理。从本质上讲，它是一种受人脑生物学功能启发的计算体系结构，神经元和突触有效地协同工作以处理信息和数据。因此，神经形态计算试图效仿大脑的效率，我们知道，这可以同时处理数十亿个认知操作，而能量密度最小。通过遵循神经形态方法，可以开发能够以有效且可扩展的方式模拟这些神经网络的专业硬件，从而在AI应用程序和先进的机器人技术中引起革命。

神经形态计算的结构

神经元是神经系统中细胞的类型，它通过信号传输信息，对于大脑内部以及大脑和身体其余部分之间的通信至关重要。神经元之间的通信需要电信号和化学信号。这发生在突触之间，其中释放了称为神经递质的化学信号并影响附近神经元的活性。从技术上讲，神经元由几个部分组成：树突从细胞体(也称为SOMA)分支，这是计算发生的地方。轴突是神经元的长沟通渠道。树突的功能是接收来自其他神经元的信息。一些树突有一些称为刺的小预测，对于与其他神经元进行沟通很重要。

神经形态计算的核心在于在集成电路中重现人工神经元和突触的想法。人造神经元与生物神经元相似，仅在脉冲或尖峰达到一定的激活阈值时才发送信号。与不断处理信息的传统系统相比，该技术被称为基于SPIKE的计算，可以大大降低能耗。另一方面，人工突触模拟了神经元之间的联系，并可以根据学习来改变其体重，复制对人脑必不可少的突触可塑性过程。

减少能源消耗是神经形态计算的主要优点之一，旨在创建能够执行复杂的学习过程的设备，而无需大量的计算或能源资源，这使得它非常适合移动和便携式应用程序，在该应用程序中，能源效率是关键的，但对于大型AI而言，在哪个处理效率上也需要降低成本和环境影响。

神经形态体系结构还通过克服冯·诺伊曼瓶颈(Von Neumann Bottleneck)来区分传统计算系统，其中处理器和内存之间的分离限制了系统的速度和效率。在神经形态计算中，信息处理和存储与人脑一样发生同时发生，从而实时处理大量数据的潜伏期大大减少。实际上，大脑的特征是平行结构，该体系结构使用了大量的神经元和突触。神经形态计算芯片通常使用数百万个神经元和突触，与大量核心相互连接，每个核心都建模了大量神经元和突触。神经形态电路可以使用离散事件方法进行计算，其中处理是为了响应特定信号而进行的处理类似于人脑中的神经元如何通过电脉冲相互交流。表征神经形态计算的其他方面包括实时操作，可扩展设计，计算效率，低功率密度和容错性。

从冯·诺伊曼建筑到神经形态芯片

冯·诺伊曼(Von Neumann)体系结构的特征是几个关键组件，它们以协调的方式一起工作，包括CPU，内存，I/O单元，系统总线，控制单元等。它是一种古典计算体系结构，是大多数现代计算机设计的基本模型，这些模型在半个多世纪以来一直占据了计算机科学领域。该体系结构的模型的特征是处理单元与负责存储数据和指令的内存之间的明确分离。处理器从内存，解码，检索必须操作并执行指令的数据中读取指令。

传统建筑的主要局限性在于其顺序。也就是说，必须按顺序执行指令，这可能导致问题，尤其是在需要并行处理的应用程序(例如神经网络和AI)的应用中。顺序行为使管理复杂且高度互动的操作变得困难，这对于现代的机器学习和深入学习应用至关重要。

尽管数十年来可以扩展冯·诺伊曼(Von Neumann)的体系结构，但我们面临着瓶颈，例如延迟和过度功耗。 CPU通常必须等待比CPU本身慢的内存数据获取数据。此外，存在节能问题，而可伸缩性已达到难以克服的极限。从基于von Neumann的系统过渡到神经形态的系统需要完全重新设计软件和算法。为了克服所有这些局限性，神经形态计算现在被认为是有效的选择。

开发利用并行处理和量子计算的新体系结构的开发使我们能够克服其中一些问题。同时，计算机市场还开始为CPU和内存之间交换信息提供更快的界面。在神经形态计算中，研究也在增长，以基于生物学原理和大脑机制开发复杂的计算系统。与基于von Neumann结构的系统不同，神经形态芯片模仿了人脑，试图模仿生物神经网络的结构和功能。

神经形态芯片旨在以平行和分布式的方式处理数据，从而使大量信息更有效，更快地处理数据，遵循数据的非线性表示，从而同时处理信息，而不是顺序处理。

传统体系结构和神经形态芯片的系统之间的另一个实质性差异是管理信息的方式。尽管传统处理器遵循确定性和线性逻辑，但神经形态芯片采用了概率和适应性逻辑，这意味着这些芯片可以学习并适应新信息，而无需完全重新设计。

神经形态芯片可以有效地管理可变工作负载，从而提供解决不同AI应用所需的灵活性。但是，在应用程序级别上，神经形态计算超出了简单的机器学习和深度学习。实际上，这些芯片也可以用于物联网的便携式设备，机器人系统和传感器网络中，其中能源效率和实时处理数据的能力对于项目的成功至关重要。

在功能层面上，神经形态芯片由内存计算体系结构组成，其中没有中央内存和中央处理单元，但是存储和计算电路是分布式的，因此我们有许多小的记忆和计算单元。

高通的零芯片中的所有人类智能

高通公司是移动设备半导体的领先制造商，在神经形态技术的开发方面投入了大量投资。通过零项目，高通寻求将神经塑料计算的功能集成到移动设备中，以将AI直接带入智能手机和边缘设备。零系统基于一种能够随着时间的流逝学习，适应和改进的神经形态结构，就像人脑一样。

该系统的主要优势是能够直接在设备上执行高级AI操作而无需外部云进行数据处理，从而大大降低了延迟，从而允许智能手机，无人机和物联网设备自动操作并适应周围的环境。带有Zeroth的设备可以学会实时识别图像或声音，从而通过本地学习不断提高其准确性。

高通将零项目集成到其Snapdragon处理器生态系统中，该系统用于全球数百万个移动设备，并具有一项集成，可以直接在智能手机上直接在智能手机上直接在无需其他处理功率或高电池消耗的情况下直接在智能手机上进行高级功能。

Zeroth的潜力与人机界面的未来特别相关，在该界面的未来中，设备必须能够对人类互动进行明智的理解和反应。

使用Brainchip的Akida进行机器人技术和汽车的高级AI

神经形态计算的另一个先驱Brainchip的旗舰产品是Akida芯片，该芯片专为实时AI应用程序，例如机器人技术，自动驾驶汽车和智能视频监视。 Akida基于一种尖峰神经网络技术，该技术模仿了生物大脑的功能，从而使芯片高能节能且适合边缘系统。

Akida的显着特征之一是它具有逐步学习的能力，这意味着一旦在系统中实施，它就可以提高其性能而无需完整的重新训练，这对于诸如自主驾驶之类的应用程序具有巨大的优势，在该应用程序中，车辆必须能够不断适应新的情况和环境。

Brainchip已与汽车和国防部门的几家公司合作，将Akida集成到AV控制系统中。该芯片已在各种应用中成功测试，包括先进的视觉系统和雷达传感器，在处理速度和低功耗方面表现出色。

此外，Akida实时处理数据的能力使其特别适合在动态环境中需要快速可靠决策的机器人。

神经形态计算的前景和未来应用

从冯·诺伊曼(Von Neumann)体系结构到神经形态芯片的转变标志着现代计算系统设计中的基本发展。虽然传统的结构为基础提供了基础，但神经形态计算芯片通过模仿人脑的动态来提供新的计算观点，从而实现了有效且平行的处理。这一转变解决了冯·诺伊曼体系结构的固有局限性，并为新应用程序和更高级和适应性AI的时代铺平了道路。

神经形态计算的潜力是巨大的，可以彻底改变AI，机器人技术，汽车和医疗保健等领域。未来的应用程序包括可以实时监控和诊断医疗状况的智能医疗设备，与人类更自然互动的家庭机器人以及具有高度响应能力控制系统的AV。诸如高通公司和Brainchip之类的公司正在证明现实世界中的案例表明，这项技术不再只是一个理论概念，而是一种快速发展的现实，并且已经彻底改变了各个工业领域的应用。

神经形态系统设计师的战略目标之一是将这种新体系结构集成到传统工作流程中。尽管几家公司已经表现出最初的成功，但大规模采用需要更加成熟，强大的硬件和软件基础架构。

创新的神经形态方法还可以彻底改变AI系统的开发方式，从而降低能源需求并提高处理速度。在该领域的持续研究可能会导致新一代的设备能够以前所未有的效率执行复杂的认知任务，从而重新定义了学习的概念。