类脑计算有望彻底改变计算领域，甚至超越人脑，丰田合作综述类脑计算的兴起

类脑计算有望彻底改变计算领域，甚至超越人脑，丰田合作综述类脑计算的兴起

引用

CSDN

1.

https://m.blog.csdn.net/cf2suds8x8f0v/article/details/141146760

微软系统故障导致全球大范围宕机的事件，凸显了计算技术在现代生活中的重要性。尽管计算机硬件和软件不断改进，但人类大脑仍然是已知最复杂、最强大的计算机。

人类大脑通过数十亿个神经元与数万亿个突触相互作用来实现其计算能力，不仅能够与最强大的超级计算机相媲美，而且在能耗方面更是远超计算机——大脑的能耗仅相当于一个冰箱灯泡的亮度。

类脑计算是一个跨学科研究领域，致力于将生物大脑的计算原理转化为硬件设计，以提高能源效率。这一领域涵盖神经形态计算和内存计算等多个子领域，这些领域在执行特定任务时往往优于传统数字硬件。

随着对更强大、更节能的大规模人工神经网络硬件需求的增长，类脑计算在实现节能计算和将人工智能扩展到边缘设备方面展现出巨大潜力。然而，该领域的广泛范围使得比较和评估解决方案的有效性变得具有挑战性。

研究综述：类脑计算的最新进展

荷兰特温特大学和比利时丰田汽车欧洲公司（Toyota Motor Europe）的研究人员在《The European Physical Journal B》发表综述文章《Brain-inspired computing systems: a systematic literature review》，全面概述了类脑计算硬件的最新进展。

研究团队系统回顾了2016年至2023年间的类脑计算出版物，重点关注以下几个关键问题：

1. 正在探索哪些不同的类脑计算方法？
2. 类脑计算适用于哪些应用？
3. 不同方法在能源效率方面的权衡是什么？

类脑计算的主要范式

内存计算

内存计算的灵感来自大脑中的突触操作，旨在整合内存和处理单元，以解决现代计算系统的数据移动瓶颈。这种方法显著减少了内存访问次数，提供了一种大规模并行且更节能的解决方案。然而，外围电路如模数转换器和数模转换器（ADC/DAC）、全局内存和控制器逻辑对芯片的总功耗有显著贡献。

图 4：内存计算，从系统架构设计（左）到器件材料科学（右）。（来源：论文）

神经形态计算

神经形态计算直接在硬件中模拟脑细胞的功能，目标是开发受大脑启发的适应性强、可学习且节能的计算系统。与传统数字计算机相比，神经形态计算在解决复杂认知任务时展现出更高的能效。

图 5：（a）生物神经元细胞示意图和脉冲的电特性。（b）人工脉冲神经元的简单模型。（c）用于硬件实现神经元模型的简单电子电路。（来源：论文）

储层计算

储层计算（RC）是一种RNN计算模型，通过利用底层材料系统固有的时间动力学进行高维投影，解决了RNN的计算问题。储层可以在忆阻器、自旋转矩纳米振荡器和有机电化学装置等不同材料系统中实现。

图 6：高级投影的示例和 RC 系统的广义示意图。（来源：论文）

超维计算

超维计算的核心是维数约为1000s的超向量，它们是（伪）随机的，具有独立且相同的分布（i.i.d）分量。这种超宽信息表示允许更快但更可靠的机器学习方法。

研究发现与展望

研究团队发现，内存计算在各种硬件类型中都能提供最高的能效。此外，随着人工智能的进步，对能够执行大规模神经网络模型的更高效硬件的需求也在增加。研究人员指出，类脑计算领域具有巨大潜力，有望彻底改变以人脑效率和适应性为目标的计算领域，甚至超越人脑。

图 8：不同非常规计算方法中标准化为 8 位 MAC 操作的能效报告比较。（来源：论文）

最后，研究人员写道：“类脑计算领域具有巨大潜力，有望彻底改变以人脑效率和适应性为目标的计算领域，甚至超越人脑。我们可能很快就能构建不仅功能更强大，而且更节能、更灵活、适应性更强的计算系统，为智能计算的新时代铺平道路。”