随着基于硅和其他半导体材料的计算机芯片的发展，我们在过去几十年见证了一场技术革命。

　　随着时间的推移，计算机的大小已经从整个房间缩小到单个芯片。这一趋势是由摩尔定律驱动的，摩尔定律指的是戈登·摩尔(Gordon Moore)在1965年所做的预测，他预测每个集成芯片的组件数量将每两年翻一番，从而导致计算机的运算速度呈指数级增长。

　　但是随着越来越复杂的计算机、机器人、物联网(IoT)和智能机器的出现，计算需求只会不断增长，半导体行业也接近了其小型化计算机芯片的能力极限——你只能在一个芯片上安装这么多（有限的）晶体管!

　　因此，计算机科学家们正在转向一种名为神经形态计算的新型计算机架构。在这种架构中，计算机被设计成具有处理信息并与世界互动的能力，就像人类的大脑一样。

　　这一研究领域在很大程度上变得越来越受欢迎，这也被认为是计算机和人工智能系统硬件构建的第一步。在本文的讲解中，我们将深入了解关于这个新兴领域的一切内容，以及它对计算机科学的未来到底意味着什么。

　　在我们进入到神经形态设备及其应用的内容之前，最好先介绍一下激发这一领域灵感的生物学现象：突触可塑性。这是我们大脑具有对新信息做出适应和改变的惊人能力的原因。为了更好地理解这一点，我们必须先描述一下我们自己的“计算中心”是如何工作。

　　神经元是大脑的信使细胞，它们都是通过突触相互连接的，突触将它们连接在一个广泛的网络中的连接点，通过这个网络传输电子脉冲和化学信号。它们通过“尖峰”进行相互作用，尖峰可以理解为一种周期短至毫秒级的电压脉冲。

　　计算机的内存是通过添加更多的记忆单元来扩展的，而大脑中的记忆是通过神经元之间连接的建立和加强来创建的。当两个神经元的连接变得更强时，我们可以说突触间连接重量增加了。我们的大脑有惊人的1012个左右的神经元，它们通过约1015个突触相互交流。这些连接和它们之间的交流程度随着时间的推移而变化，并根据接收到的刺激或峰值的数量而变化，使大脑能够对不断变化的环境做出反应，并创建和存储记忆。

　　这种能力是理解突触可塑性背后的两种主要机制的关键，即增强和抑制，其中突触之间的连接随着时间的推移而变得更强或更弱，并在学习和记忆中发挥着重要作用。这可能发生在任何时间尺度上——从几秒到几小时或更长时间。

　　直观地说，例如在学习一项新技能时，高频峰值与某些突触的增强或强化有关，因此会与长期记忆的建立有关。另一方面，较低频率的刺激会导致抑郁，从而削弱相应突触处的连接(或突触重量)，类似于忘记曾学过的东西。

　　这表达得有点简化了，应该注意的是，增强和减弱不仅取决于峰值的频率，还取决于时间。例如，如果一个突触同时接收到来自几个神经元的峰值，与一个接一个的峰值相比，突触的重量增加得更快。

　　目前的计算机都是使用冯·诺依曼(von Neumann)架构构建的，该架构的运行原理是艾伦·图灵(Alan Turing)在20世纪30年代首次提出的。这种设置要求数据处理和存储单元保持独立，导致速度瓶颈，因为数据需要从一个传输到另一个，增加了不必要的功耗。

　　而神经形态计算机使用的芯片架构将存储和处理混合在同一个单元中。在硬件层面，这涉及创新的新设计和一系列新材料，以及新的计算机组件，导致该领域相关研究成果爆炸式增长。

　　无论是使用有机材料还是无机材料，世界各地的研究人员都在试图设计和建造人造神经元和突触网络，以模仿大脑的可塑性。许多已经存在的大型神经形态计算机，如IBM的TrueNorth、BrainScales-2和英特尔的Loihi，都使用了基于成熟的金属氧化物半导体技术的晶体管。

　　晶体管是冯·诺依曼计算机中最常见的电子构件之一，其中有数百种不同类型，最常见的是金属氧化物半导体场效应晶体管(简称MOSFET)。在计算机芯片中，它们主要充当电流的开关(在更小尺度上也充当放大器)。通过这种方式，它们要么阻止电流通过，要么允许电流通过。每个晶体管处于开或关状态，这可以等同于二进制1或0。这一工作原理使信息可以很容易地存储和计算，这就是为什么电子存储单元和逻辑门已经成为我们数字世界的基石。

　　然而，我们大脑的电信号并不仅仅由0和1组成。例如，突触之间的连接可以作为不同的“权重”或强度存在。

　　为了在神经形态计算机中模拟这一点已经有许多设备建造出来。一种被称为聚合物突触晶体管的特殊半导体晶体管已经被制造出来，它包含了一个“有源层”，负责在单元之间调制信号。这一层通常使用导电聚合物制成，其精确得对电导率产生作用，从而影响信号输出。

　　通过晶体管施加特定频Kaiyun科技有限公司率的电压会导致有源层的变化，产生类似于大脑中的活动峰值得电信号的减弱或增强。这本质上触发了（信息的）可塑性，其中数字信息被编码在脉冲信号中，如频率、发生时间、振幅和波形。二进制值可以转换为尖峰值，反之亦然，但是执行这种转换的精确方法仍然是一个有待深入研究的热门领域。

　　神经形态硬件也不仅仅局限于晶体管——研究人员已经发现了越来越多的极具创造力的方法来模仿大脑的结构，使用人造组件，包括忆阻器、电容器、自旋电子设Kaiyun科技有限公司备等一些有趣的尝试，甚至使用真菌来实现神经形态计算。

　　神经形态计算机通常使用人工神经网络(ANN)来执行计算任务。在众多不同类型的神经网络中，尖峰神经网络(SNN)尤其有趣，因为它们基于人工神经元工作，这些神经元通过被称为“尖峰”的电信号相互通信，并将时间纳入模型的变量。这有助于提高这类系统的能量效率，这是因为人造神经元不是持续活跃的，而是在接收到的峰值总和达到一定阈值时才传输信息。

　　要选择正确的ANN取决于用户的需求。SNN虽然因其较低的功耗而备受关注，但总的来说仍然很难训练其进行编程，这主要是由于其神经元的复杂动力学和操纵尖峰的不可微调性。

　　专家预测，神经形态设备不一定会取代传统的计算机硬件，但在解决特定的技术挑战时，它们会起到重要的作用。尽管已经有报道称神经形态计算机能够模拟布尔逻辑进行工作，这也是目前使用的任何编程语言中的一个关键概念，但这表明神经形态计算机也能够进行通用计算。

　　由于该领域仍然属于新兴领域，因此仍有许多挑战需要克服，但神经形态计算的日益普及和创新设计使其成为计算机架构的一个很有前途的新分支。