Whoscored中文官网 | 编译自 EurekAlert!
图片: 实验显示“一起放电的细胞连在一起”
完美的记忆力，计算的精灵和敏捷的智慧。 这是我们都想要的大脑，但如何设计这样一个大脑呢？真正的大脑是由大约800亿个神经元组成的，这些神经元通过数以万计的突触形式的连接相互协调。人类的大脑没有集中的处理器，就像标准的笔记本电脑那样。相反，许多计算是平行运行的，并对结果进行比较。虽然对人脑的运行原理还不完全了解，但现有的数学算法可以用来将深度学习原理重新加工成更像人脑的系统。这种受大脑启发的计算模式：尖峰神经网络（SNN）， 提供了一种计算架构，其与同时使用光学和电子元件的系统的潜在优势完全一致。
在SNN中，信息是以尖峰或动作电位的形式进行处理的，这些动作电位是真实的神经元发射时的电脉冲。它们的主要特点之一是使用异步处理，这意味着尖峰在发生时被处理，而不是像传统神经网络那样被批量处理。这使得SNNs能够对其输入的变化做出快速反应，并比传统神经网络更有效地执行某些类型的计算。
SNN还能够实现某些类型的神经计算，这些计算在传统神经网络中很难或不可能实现，例如时间处理和依赖尖峰时间的可塑性（STDP），这是一种Hebbian学习的形式，允许神经元根据其尖峰时间改变其突触连接。(Hebbian学习被总结为 "一起发射的细胞会连接在一起"。它适合于模拟大脑学习能力的可塑性的数学运算）。
最近发表在《IEEE量子电子学选题杂志》（IEEE JSTQE）上的一篇论文，描述了利用光电神经元、模拟电路和马赫-泽恩德干涉仪网格的共同集成开发的SNN设备。这些网格是可以进行矩阵乘法的光学电路元件，类似于人脑中突触网格的运作方式。作者表明，光电神经元可以接受来自光通信网络的输入，通过模拟电路处理信息，并通过激光回传给网络。与传统的纯电子系统相比，这一过程可以实现更快的数据传输和系统间的通信。
该论文还描述了使用现有的算法，如随机反向传播和对比性赫比恩学习，来创建大脑启发的计算系统。这些算法允许系统从每个突触的局部信息中学习，就像人脑一样，与使用反向传播的传统机器学习系统相比，在计算性能方面具有显著优势。
在人工智能和机器学习方面，SNN为模仿自然进化条件的任务提供了比现代计算模式更多的优势。由于SNN以连续的方式处理数据，它们非常适用于位于实时环境中的应用，每次呈现单一的推理和学习实例（如基于事件的信号处理）。此外，信息随时间的传播允许在不同的时间尺度上有多种形式的记忆，就像人类对工作记忆、短期记忆和长期记忆的区分。神经形态传感和机器人技术是SNN的常见应用；例如，一个自适应机器人手臂控制器可以在执行器磨损时提供可靠的电机控制。更具猜测性的是，未来的设备可能会在实时音频和自然语言处理的背景下利用这些特性，用于语音助手、实时字幕服务或音频分离；同样，SNN可用于自主车辆或监控系统的实时视频和激光雷达处理。
微信公众号 
bilibili 
微信视频号