摘要：神经形态计算 - 将神经科学原理应用于计算系统以模仿大脑功能和结构的领域 - 如果要与当前的计算方法有效竞争，则需要扩大规模。研究人员现在介绍了达到该目标的详细路线图。...

神经形态计算 - 将神经科学原理应用于计算系统以模仿大脑功能和结构的领域 - 如果要与当前的计算方法有效竞争，则需要扩大规模。在1月22日在《期刊》上发表的评论中自然，23位研究人员，其中包括加利福尼亚大学圣地亚哥分校的两名研究人员，介绍了达到该目标需要实现的详细路线图。该文章提供了一种新的和实用的观点，可以通过可比的形式和功耗来接近人脑的认知能力。

作者写道：“我们不会预料到，根据应用需求，基于应用需求，具有不同特征的一系列具有不同特征的神经形态硬件解决方案将对神经形态系统进行一定程度的解决方案。”

神经形态计算的应用包括科学计算，人工智能，增强和虚拟现实，可穿戴设备，智能农业，智能城市等。神经形态芯片有可能超过能量和空间效率和性能的传统计算机。这可能会带来各个领域的实质性优势，包括AI，医疗保健和机器人技术。随着AI的电力消耗预计到2026年将翻一番，神经形态计算是一种有希望的解决方案。

加州大学圣地亚哥加州大学圣地亚哥加州大学（UC San Diego Shu Chien-Geen）分校的杰出教授Gert Cauwenberghs说：“当我们目睹了电力和渴望资源的AI系统的难以置信的缩放时，神经形态计算在今天特别重要。”

罗伯特·麦克德莫特（Robert F. McDermott）在得克萨斯大学圣安东尼奥大学（University of Dexas San Antonio）的主席和该论文的通讯作者表示，神经型计算是一个关键时刻。她说：“我们现在正处于一个巨大的机会来建造可以在商业应用程序中部署的新建筑和开放框架的机会。” “我坚信，促进行业和学术界之间的紧密合作是塑造该领域未来的关键。这项合作反映在我们的合着者团队中。”

去年，Cauwenberghs和Kudithipudi从国家科学基金会获得了400万美元的赠款，以启动Thor：Neuromormorphic Commons，这是一个首次使用的研究网络，可访问开放的神经形态计算硬件和工具，以支持跨学科和协作研究。

在2022年，由Cauwenberghs领导的团队设计的一个神经形态芯片表明，这些芯片可能具有高度动态和通用性，而不会损害准确性和效率。 Neurram芯片直接在内存中运行计算，并可以运行各种AI应用程序 - 所有这些应用程序都以通用AI计算的计算平台所消耗的能量的一小部分。 “我们的自然评论文章提供了有关硅和新兴芯片技术的神经形态AI系统的进一步扩展的观点，以接近哺乳动物大脑中自我学习能力的大规模尺度和极端效率。”

为了实现神经形态计算的规模，作者提出了几个必须优化的关键特征，包括稀疏性，这是人脑的定义特征。大脑通过在选择性修剪大多数之前形成许多神经连接（致密化）来发展。该策略优化了空间效率，同时将信息保留在高保真度中。如果成功模拟，此功能可以实现更节能且紧凑的神经形态系统。

可扩展的可伸缩性和卓越效率来自神经代表中的巨大并行性和分层结构，将以大脑灰色物质与脑部灰色物质进行建模的神经突触核心与跨核心的神经通信的稀疏全球连通性结合在脑部的神经通信中，从而建立了脑部的白血病，并通过高型构造的互构型互助，并互整合构造互联物，并互相构造。筹码，” Cauwenberghs说。

"This publication shows tremendous potential toward the use of neuromorphic computing at scale for real-life applications. At the San Diego Supercomputer Center, we bring new computing architectures to the national user community, and this collaborative work paves the path for bringing a neuromorphic resource for the national user community," said Amitava Majumdar, director of the division of Data-Enabled Scientific Computing at SDSC here on the UC San迭戈校园，以及该报纸的合着者之一。