當今最成功的人工智能算法—深度神經(jīng)網(wǎng)絡（DNN），基于人類大腦真實、復雜的神經(jīng)網(wǎng)絡。但人工神經(jīng)網(wǎng)絡與人類高效的大腦不同，在計算機上運行深度學習算法會產(chǎn)生驚人的能耗。最大的神經(jīng)網(wǎng)絡模型在其生命周期中消耗的能量幾乎與五輛汽車一樣多。

進入神經(jīng)形態(tài)計算，更接近人類大腦的設計原理和物理特性，可能成為節(jié)能型人工智能的未來。人工神經(jīng)形態(tài)設計不是在中央處理單元和內(nèi)存芯片之間長距離穿梭的數(shù)據(jù)流，而是模仿模仿人類大腦中果凍狀的物質(zhì)結(jié)構(gòu)，計算單元（神經(jīng)元）放置在內(nèi)存旁邊（存儲在連接神經(jīng)元的突觸中）。 為了使類腦芯片更像大腦，研究人員將神經(jīng)形態(tài)芯片與模擬計算相結(jié)合，模擬計算可以處理連續(xù)信號，就像真正的神經(jīng)元一樣。由此產(chǎn)生的芯片與當前依賴于0和1二進制信號處理的純數(shù)字計算機的架構(gòu)和計算模式有很大不同。

以大腦為向?qū)?，神?jīng)形態(tài)芯片有望消除人工智能等數(shù)據(jù)密集型計算任務的能耗。但目前不幸的是，由于硬件不匹配問題，人工智能算法在現(xiàn)有芯片上模擬大腦計算的能力表現(xiàn)不佳：在芯片上，模擬神經(jīng)元中的微小組件由于制造工藝、流程等問題而在尺寸上不匹配，邊緣設備芯片的計算能力遠遠不夠，無法實時運行最新的訓練程序，因此必須首先在計算機上對算法進行訓練。而且當算法轉(zhuǎn)移到芯片上時，一旦遇到硬件不匹配，算法的性能很難得到有效發(fā)揮。

2022年1月發(fā)表在《美國國家科學院院刊》上的一篇論文終于揭示了如何繞過上述問題的方法。弗里德里希·米歇爾生物醫(yī)學研究所和海德堡大學的研究人員開發(fā)了一種尖峰神經(jīng)網(wǎng)絡的人工智能算法，這種算法受到人類大腦獨特通信信號機制的啟發(fā)，可以與硬件芯片一起學習如何補償設備不匹配的問題。這篇論文的發(fā)布代表著人類朝使用AI進行模擬神經(jīng)形態(tài)計算的里程又邁出了重要的一步。

荷蘭國家數(shù)學和計算機科學研究所的脈沖神經(jīng)網(wǎng)絡專家表示：“令人驚奇的是，尖峰神經(jīng)網(wǎng)絡人工智能算法運行得非常好，這是一項相當大的成就，甚至是更多模擬神經(jīng)形態(tài)計算機系統(tǒng)的藍圖”。

模擬計算對基于人類大腦神經(jīng)網(wǎng)絡計算的重要性是不言而喻的。雖然，數(shù)字計算可以有效地模擬大腦尖峰信號的二進制狀態(tài)，即一種像閃電一樣穿過神經(jīng)元的電脈沖信號。這與二進制數(shù)字信號機制一樣，要么發(fā)出尖峰信號，要么不發(fā)出尖峰信號，即0或1。但是隨著時間的推移，尖峰是連續(xù)發(fā)送的，這明顯是一個模擬信號。人類的神經(jīng)元決定發(fā)出尖峰信號的方式也是連續(xù)的，尖峰信號取決于細胞內(nèi)隨時間變化的電壓。（與細胞外電壓相比，當電壓達到特定閾值時，神經(jīng)元會發(fā)出尖峰信號）

2011年，海德堡大學的一組研究人員開發(fā)了一種兼具模擬和數(shù)字功能的神經(jīng)形態(tài)芯片，以對人類大腦結(jié)構(gòu)進行高關聯(lián)建模以進行神經(jīng)科學實驗?，F(xiàn)在海德堡大學的團隊又推出了最新版本的芯片，稱為 BrainScaleS-2。芯片上的每個模擬神經(jīng)元都模擬腦細胞的輸入和輸出電流和電壓變化。

海德堡大學的神經(jīng)形態(tài)工程師開發(fā)的BrainScaleS-2神經(jīng)形態(tài)芯片能夠模擬人類大腦中真實的神經(jīng)元計算過程。

海德堡大學的研究人員表示：“人類真的擁有一個不斷交換信息的動態(tài)系統(tǒng)”。而且由于新材料具有更強大的電氣特性，芯片傳輸信息的速度比人類的大腦快 1000倍。但是，由于模擬神經(jīng)元（芯片計算單元）的特性變化非常之小，但人類神經(jīng)系統(tǒng)內(nèi)的電壓和電流水平卻因神經(jīng)元而異。顯然，目前的人工算法無法處理類似的問題，因為人工算法是在具有完全相同數(shù)字神經(jīng)元的計算機上訓練的，直接移植到類腦芯片將會導致性能直線下降。

雖然還存在很多問題，但是新成果展示了人工智能科學的前進方向。通過將芯片包含在訓練過程中，表明脈沖神經(jīng)網(wǎng)絡可以學習如何校正BrainScaleS-2芯片上的不同電壓。這種訓練設置展現(xiàn)了令人振奮的成果，證明可變性不僅可以補償，而且還可能被利用。

為了解決設備不匹配問題，海德堡大學的研究團隊研發(fā)了允許芯片與計算機對話方法與代理梯度方法相結(jié)合的新方式，專門用于脈沖神經(jīng)網(wǎng)絡。通過改變神經(jīng)元之間的連接，最小化神經(jīng)網(wǎng)絡在任務中產(chǎn)生的錯誤數(shù)量及影響。（類似于非尖峰神經(jīng)網(wǎng)絡或傳統(tǒng)神經(jīng)網(wǎng)絡使用的反向傳播方法。）

代理梯度方法能夠在計算機訓練期間糾正芯片的缺陷。首先，脈沖神經(jīng)網(wǎng)絡使用芯片上模擬神經(jīng)元的變化電壓執(zhí)行一項簡單的任務，將電壓記錄發(fā)送回計算機。通過計算機，該算法自動學習如何最好地改變其神經(jīng)元之間的連接，以便與模擬神經(jīng)元更好地配合，并在學習的同時不斷地在芯片上更新，當訓練完成后，脈沖神經(jīng)網(wǎng)絡在芯片上執(zhí)行任務。研究人員表示：脈沖神經(jīng)網(wǎng)絡在語音和視覺任務上達到了與在計算機上執(zhí)行任務的頂級尖峰神經(jīng)網(wǎng)絡相同的準確度水平。
蘇塞克斯大學的計算神經(jīng)科學家表示：“海德堡大學科研團隊所取得的成果是一項巨大的成就。” 而且，新型神經(jīng)網(wǎng)絡的能源效率令人印象深刻，在芯片上運行新算法所消耗的能量比標準處理器所需的能量少1000倍。這些都為類腦芯片進一步拓展到人體腦-機結(jié)合進一步奠定了基礎。