机构名称：
¥ 4.0
得益于 Mead [1] 的工作，他率先实现了超大规模集成 (VLSI) 方法。这类功能性（神经模拟）架构使用模拟组件来模仿神经生物系统，有助于高效、低成本地解决现实问题。模拟脉冲神经元的混合模拟数字系统也被开发出来，作为纯模拟模型的替代方案 [2]。从那时起，神经形态计算机不断发展，进一步模拟神经元和神经元功能网络的计算架构（有关最新综述，请参阅 [3, 4]）。作为生命系统，神经元和神经元网络都部分使用形态来实现计算；例如，信号之间的差异延迟可以通过不同长度和宽度的树突或轴突过程来实现。形态的变化也有助于学习的实现；例如，生长或退化的树突棘会促进或抑制突触的形成，从而促进或抑制位置特定的神经间通讯 [5, 6, 7, 8]。基于脉冲和结构的可塑性共同实现了适合神经形态设计的存储器写入电路 [9]（及其中的参考文献）。在网络规模上，神经发育过程中的活动依赖性修剪会影响短距离和长距离皮质连接 [10, 11, 12]。因此，从生物学角度来看，神经形态计算的一个关键特征是动态的：形态的变化实现计算的变化，反之亦然。这在混合模拟/数字 VLSI 设备的应用中得到了体现，这些设备作为神经形态视觉传感器实现，可以模拟相对简单的生物神经网络中的概念学习，如 [13] 1 中所述。
自由能原理推动神经形态的发展
主要关键词
相关文件推荐
