神经形态计算：脉冲神经网络与存内计算

什么是神经形态计算？

神经形态计算是一种模拟生物神经系统结构和功能的新型计算范式。与传统的冯·诺依曼架构不同，它借鉴大脑处理信息的原理，通过脉冲神经网络和存内计算技术，旨在实现极低功耗、高并行、事件驱动的智能计算。

当前，人工智能虽已取得惊人进展，但传统深度学习依赖的大量矩阵运算带来了高昂能耗。神经形态计算试图打破这一瓶颈，为边缘设备、实时感知等场景提供更理想的硬件与算法基础。

核心驱动力：脉冲神经网络

脉冲神经网络是神经形态计算中的核心信息处理模型。它更接近生物神经元的真实通信方式。

传统人工神经网络与脉冲神经网络的区别

脉冲神经元模型

生物神经元利用动作电位（脉冲）传递信息。脉冲神经元模型将这一过程数学化，最经典的是泄漏积分-发放模型，其膜电位动态如下：

$$ \tau \frac{dV}{dt} = -(V - V_{\text{rest}}) + R I(t) $$

• $V$：膜电位
• $V_{\text{rest}}$：静息电位
• $\tau$：膜时间常数
• $R I(t)$：输入电流

当膜电位达到阈值 $\theta$ 时，神经元发放一个脉冲，随后电位重置。这种简单的动力学机制赋予了脉冲神经网络丰富的时间编码能力。

编码与学习规则

信息通过脉冲的精确时间或发放率进行编码。常见编码方式包括：

• 速率编码：用一段时间内脉冲的平均发放频率表示数值。
• 时间编码：用脉冲的精确发放时间点携带信息，如首脉冲时间。

学习规则上，脉冲神经网络依赖于基于脉冲时间的可塑性，其典型代表是脉冲时序依赖可塑性：

$$ \Delta w = \begin{cases} A_{+} e^{-\Delta t / \tau_{+}} & \text{若 } \Delta t > 0 \text{（前突触脉冲先于后突触脉冲）} \ -A_{-} e^{\Delta t / \tau_{-}} & \text{若 } \Delta t < 0 \end{cases} $$

该规则根据前后神经元脉冲的毫秒级时间差 $\Delta t$ 来调整突触权重，完美体现了时间相关学习。

硬件基石：存内计算

传统芯片执行计算时，数据需要在处理器和存储器之间频繁搬运，造成巨大的能量开销，被称为“冯·诺依曼瓶颈”。存内计算直接在存储单元内部或近旁完成计算，从根本上减少了数据移动。

存内计算如何匹配脉冲神经网络？

脉冲神经网络天生是事件驱动和稀疏的。存内计算利用电阻式随机存取存储器、忆阻器等新型非易失性存储器件构成交叉阵列，能够在同一位置实现乘累加运算和突触权重存储。

• 交叉阵列结构：水平线为输入脉冲，垂直线为输出神经元，交叉点处是存储权重的忆阻器。
• 模拟计算：基尔霍夫电流定律自然完成乘积累加，一步获得膜电位增量。
• 并行度：整个阵列的所有突触操作同时进行，极大提升吞吐量。

忆阻器的关键角色

忆阻器的电阻值随流过它的电荷历史而改变，并可保持状态，天然模拟生物突触的可塑性。

• 多值存储：一个忆阻器可表达多个离散或连续的权重状态，实现高密度存储。
• 原位学习：权重更新直接在阵列内进行，无需额外读出和写回操作，大幅降低能耗。
• 非易失性：断电后权重不丢失，非常适合间歇性工作的边缘设备。

典型神经形态芯片与平台

学术与工业代表

• Intel Loihi 2：可编程脉冲神经网络芯片，集成约100万个神经元核心，支持片上学习与多种脉冲编码。
• IBM TrueNorth：包含4096个神经突触核心，功耗仅70毫瓦，擅长实时图形识别。
• SpiNNaker 2：用于大规模脑仿真的数字神经形态系统，可扩展至上百万ARM核心。
• 仿生视觉传感器：动态视觉传感器仅输出像素亮度变化的脉冲事件，与脉冲神经网络无缝对接。

这套生态正推动感知-计算-决策一体化的智能系统走向实用。

结语：优势与挑战

神经形态计算带来的核心优势是：

• 能效比巨幅提升：相比传统AI加速器，能效比可达千倍以上。
• 实时响应与低延迟：事件驱动模式天然适合动态数据流。
• 自然的在线学习能力：通过STDP等本地规则，无需反向传播。

然而，该领域仍面临算法成熟度不足、编程抽象困难、精度受限等挑战。随着存内计算器件稳定性的提高和算法框架的完善，受脑启发的神经形态计算有望重新定义下一代智能计算基石。