神经形态计算简介
神经形态计算将生物神经网络的各个方面实现为电子电路上的模拟或数字副本。这种方法的目标是双重的：为神经科学提供一种工具来理解大脑中学习和进步的动态过程，并将大脑灵感应用于通用认知计算。与传统方法相比，神经形态计算的主要优势是能源效率、执行速度、对局部故障的鲁棒性和学习能力。
大规模的神经形态机器基于两个互补的原则。位于曼彻斯特（英国）的多核SpiNNaker机器将 100 万个 ARM 处理器与一个基于数据包的网络连接起来，该网络针对神经动作电位（尖峰）的交换进行了优化（有关 SpiNNaker 的免费、开放访问书籍中提供了全面的描述） . 位于海德堡（德国）的BrainScaleS物理模型机在 20 个硅晶片上实现了 400 万个神经元和 10 亿个突触的模拟电子模型。这两台机器都集成到 HBP 实验室中，并为其配置、操作和数据分析提供完整的软件支持。神经形态机器最突出的特点是它们的执行速度。SpiNNaker 系统实时运行，BrainScaleS 作为加速系统实现，实时运行 10,000 倍。传统超级计算机上的模拟通常比生物学慢 1000 倍，并且无法访问从毫秒到数年的学习和发展所涉及的截然不同的时间尺度。最近对神经科学和计算的研究表明，学习和进步是神经科学和认知计算在现实世界应用中的一个关键方面。
可用系统
BrainScaleS-1 晶圆级系统基于具有数字连接的神经元、突触和可塑性模型的物理（模拟或混合信号）仿真，运行速度比实时快一万倍。下一代BrainScaleS-2 单芯片系统具有 512 个点神经元或与结构化神经元组合并具有可编程可塑性的更少点，可通过 PyNN 访问，用于批量提交和（自 2021 年 10 月起）通过 EBRAINS 协作进行交互使用。该系统的运行速度比生物实时快 1000 倍。SpiNNaker 系统基于在使用 ARM 架构的定制数字多核芯片上实时运行的数值模型。SpiNNaker 系统 (NM-MC-1) 提供几乎定制的数字芯片，每个芯片有 18 个内核和一个共享的本地 128 MB RAM，总共提供超过 1,000,000 个内核。两个系统（BrainScaleS 和 SpiNNaker）都有一个为神经科学研究人员设计的界面，基于 Python 脚本，使用PyNN API 用于神经元网络模型的独立于模拟器的规范。PyNN 脚本也可以在流行的软件模拟器NEST、NEURON和Brian上运行。
未来期望
从中期来看，可能期望神经形态技术能够比传统计算机更有效地提供一系列应用，例如在智能手机中提供语音和图像识别功能。（目前，此类功能只能使用强大的云资源来实现识别算法。）这些将需要与应用处理器集成的小型神经形态加速器，使用单个芯片资源的一小部分。大规模系统可用于在来自科学、金融、商业和政府的复杂数据中寻找因果关系。基于检测到的因果关系，这种神经形态系统可能能够在不同的时间尺度上做出时间预测。从长远来看，使用神经形态技术将节能智能认知功能集成到从无人驾驶汽车到家用机器人等广泛的消费和商业产品中是有前景的。虽然人类水平的“强大”人工智能仍然是一个谜，而且确实可能取决于对生物大脑中信息处理的理解的出现（通过人脑计划等举措）才能成为现实，但有许多有用的应用程序可以从更适度的认知能力中受益。该技术相对年轻，在更广阔的世界中将找到自己的位置存在很大的不确定性，但它显然满足了快速变化的计算世界的需求。
