在过去十年左右的时间里，世界各地的研究人员一直在尝试开发受大脑启发的计算机系统，也称为神经形态计算工具。这些系统中的大多数目前用于运行深度学习算法和其他人工智能 (AI) 工具。

　　桑迪亚国家实验室的研究人员最近进行了一项研究，评估神经形态架构执行不同类型计算的潜力，即随机游走计算。这些计算涉及数学空间中的一系列随机步骤。该团队的研究结果发表在Nature Electronics上，表明神经形态架构可能非常适合实现这些计算，因此可以超越机器学习应用程序。

　　过去大多数与神经形态计算相关的研究都集中在认知应用上，例如深度学习，虽然我们也对这个方向感到兴奋，但我们想提出一个不同且互补的问题：神经形态计算能否在我们的大脑无法真正解决的复杂数学任务中表现出色？”

　　到目前为止，计算机科学界已经排除了类脑计算机系统在复杂的数学任务中表现良好的可能性。Aimon凯云官网e 和他的同事最近的研究表明，出乎意料的是，情况可能确实如此。更具体地说，该团队发现这些芯片也可能有望使用随机游走计算来模拟离散时间马尔可夫链。

　　最近研究背后的团队包括数学家、计算机工程师和理论神经科学家 Aimone。结合他们的专业知识，研究人员能够在神经形态计算的背景下检查蒙特卡罗模拟，迄今为止，这些模拟主要是使用传统计算工具实现的。这使他们能够展示神经形态架构在完成一项可能具有“神经形态优势”的著名复杂数学任务方面的潜力。

　　Aimone 和他的同事表明，神经形态硬件比其他系统更节能，因为它可以执行比传统 CPU 和 GPU 更多的每焦耳随机游走计算。此外，虽然神经形态芯片仍然比现有的 CPU 和 GPU 慢，但该团队发现，随着问题变得更大和更复杂，这种速度差异会减小。

　　鉴于神经形态硬件继续快速改进并且更大的系统将很快推出，我们预计这种优势将继续增长，以解决更大的问题，有许多现实世界的应用程序使用蒙特卡洛随机游走模型作为其计算工作量的一部分，包括计算生物学、材料科学、金融建模和人工智能。然而，这些模型通常在计算上运行起来很昂贵，并且具有巨大的能量，时间和财务成本。

　　神经形态硬件仍处于早期开发阶段，但它们将逐渐变得易于使用且更易于编程。一旦发生这种情况，这组研究人员最近的研究可能会激发使用受大脑启发的系统来更有效地解决数学问题。

　　Aimone 和他的同事最近的研究主要集中在简单的随机游走模拟，例如那些代表扩散过程的模拟。然而，在未来，该团队还希望测试神经形态芯片在运行更复杂的随机游走模拟方面的潜力。