美国物理研究所 像任何配方一样，理想的忆阻神经形态计算系统需要CMOS电路和忆阻器件的特殊混合，以及空间资源和时间动态，这些必须与系统的信号处理应用和用例很好地匹配
信用:伊丽莎白·奇卡 在20世纪90年代，卡弗·米德和他的同事将神经科学的基础研究与电子工程中优雅的模拟电路设计相结合
这项关于神经形态电子电路的开创性工作激励了德国和瑞士的研究人员探索利用硅的物理特性复制真实神经电路的可能性
“仿脑”神经形态电子学领域不仅在基础研究方面，而且在边缘计算和“物联网”应用的商业开发方面都显示出巨大的潜力
在《应用物理学快报》中，来自比勒菲尔德大学的伊丽莎白·奇卡和来自苏黎世大学和苏黎世联邦理工学院的贾科莫·因迪维里介绍了他们的工作，以了解生物学中的神经处理系统如何进行计算，以及在混合信号模拟/数字电子和新材料中复制这些计算原理的方法
神经网络最显著的计算特征之一是学习，因此奇卡和印第维里对再现真实突触的适应性和可塑性特别感兴趣
他们使用标准互补金属氧化物半导体电子电路和先进的纳米存储技术，如忆阻器件，来构建可以学习的智能系统
这项工作意义重大，因为它可以让我们更好地理解如何使用极低功耗和紧凑的设备实现复杂的信号处理
他们的主要发现是，这些低功耗计算技术的明显缺点(主要与低精度、对噪声的高灵敏度和高可变性有关)实际上可以被用来执行鲁棒和高效的计算，就像大脑可以使用高度可变和高噪声的神经元来实现鲁棒行为一样
研究人员说，令人惊讶的是，通常与位精确高密度设备技术有关的记忆技术领域，现在正把动物大脑视为理解如何构建适应性和鲁棒性神经处理系统的灵感来源
这与米德及其同事30多年前遵循的基础研究议程非常一致
奇卡说:“我们建立的电子神经处理系统不是为了与强大而精确的人工智能系统竞争，这些系统在耗电的大型计算机集群上运行，进行自然语言处理或高分辨率图像识别和分类。”
相比之下，他们的系统“为那些需要紧凑、极低功耗(亚毫米波)实时处理和短延迟的应用提供了有前途的解决方案，”印第维里说
他表示，此类应用的例子属于“极限计算”领域，这需要少量人工智能来从实时或流式传感信号中提取信息，例如用于可穿戴设备中的生物信号处理、脑机接口和不间断环境监控
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
