神经形态计算 - 版本历史

2023年8月4日 (五) 02:08 江森-JS

2023-08-04T02:08:44Z

2023年8月3日 (四) 09:41 江森-JS

2023-08-03T09:41:44Z

2023年8月3日 (四) 09:30 江森-JS

2023-08-03T09:30:48Z

2023年8月2日 (三) 09:53 江森-JS

2023-08-02T09:53:52Z

2023年8月2日 (三) 09:52 江森-JS

2023-08-02T09:52:39Z

2023年8月2日 (三) 09:49 江森-JS

2023-08-02T09:49:05Z

2023年8月2日 (三) 09:45 江森-JS

2023-08-02T09:45:27Z

2023年8月2日 (三) 09:36 江森-JS

2023-08-02T09:36:12Z

2023年8月2日 (三) 09:34 江森-JS

2023-08-02T09:34:42Z

显示更改

Mobility：/* 神经动力学模型读书会 */

2023-07-28T07:45:12Z

神经动力学模型读书会

@@ 第66行： / 第66行： @@
 Loihi是Intel实验室设计的一种神经形态研究测试芯片，它使用异步脉冲神经网络（SNN）来实现自适应、自修改、事件驱动的细粒度并行计算，用于高效实现学习和推理。该芯片是一个128个神经形态核的多核集成电路，采用英特尔14纳米工艺制造，具有独特的用于片上SNN训练的可编程微码学习引擎。该芯片在俄勒冈州2018年神经启发计算元素（NICE）研讨会上正式亮相。
-年9月，Intel推出其第二代神经形态研究芯片Loihi2和用于神经形态应用研发的开源软件框架Lava<ref>Loihi-Intel. <nowiki>https://en.wikichip.org/wiki/intel/loihi</nowiki>.</ref><ref>Intel advances neuromorphic with Loihi2, new Lava software framework and new partners, <nowiki>https://www.intel.com/content/www/us/en/newsroom/news/intel-unveils-neuromorphic-loihi-2-lava-software.html</nowiki>.</ref><ref>Intel advances neuromorphic with Loihi2, new Lava software framework and new partners, <nowiki>https://www.intel.com/content/www/us/en/newsroom/news/intel-unveils-neuromorphic-loihi-2-lava-software.html</nowiki>.</ref>。
+年9月，Intel推出其第二代神经形态研究芯片Loihi2和用于神经形态应用研发的开源软件框架Lava<ref>Loihi-Intel. https://en.wikichip.org/wiki/intel/loihi.</ref><ref>Intel advances neuromorphic with Loihi2, new Lava software framework and new partners, https://www.intel.com/content/www/us/en/newsroom/news/intel-unveils-neuromorphic-loihi-2-lava-software.html.</ref><ref>Intel advances neuromorphic with Loihi2, new Lava software framework and new partners, https://www.intel.com/content/www/us/en/newsroom/news/intel-unveils-neuromorphic-loihi-2-lava-software.html.</ref>。
 Loihi 2的进步使该架构能够支持新类别的神经形态算法和应用，同时提供高达10倍的处理速度，高达15倍的资源密度。每个芯片上有多达100万个神经元，并提高了能效。与过去的工艺技术相比，Loihi2采取Intel 4技术，使用极紫外光刻技术，简化了布局设计规则，使得Loihi 2的快速开发成为可能。
@@ 第73行： / 第73行： @@
 ===清华天机芯Tianjic===
-天机芯片由清华类脑计算中心团队推出，结合了基于计算机科学和基于神经科学的两种人工通用智能开发方法，提供了一个混合、协同的平台。Tianjic芯片<ref>Pei, J., Deng, L., Song, S. et al. Towards artificial general intelligence with hybrid Tianjic chip architecture. Nature 572, 106–111 (2019). <nowiki>https://doi.org/10.1038/s41586-019-1424-8</nowiki>.</ref>采用了多核架构、可重构的构建块和带有混合编码方案的简化数据流，不仅可以适应基于计算机科学的机器学习算法，还可以轻松实现脑激励电路和多种编码方案。研发团队已经实现在实时目标检测、跟踪、语音控制、避障和平衡控制等任务中仅使用该芯片同时处理多种算法和模型的尝试。天机芯片的进一步研究有望通过促进通用硬件平台的发展来促进通用人工智能的发展。
+天机芯片由清华类脑计算中心团队推出，结合了基于计算机科学和基于神经科学的两种人工通用智能开发方法，提供了一个混合、协同的平台。Tianjic芯片<ref>Pei, J., Deng, L., Song, S. et al. Towards artificial general intelligence with hybrid Tianjic chip architecture. Nature 572, 106–111 (2019). https://doi.org/10.1038/s41586-019-1424-8.</ref>采用了多核架构、可重构的构建块和带有混合编码方案的简化数据流，不仅可以适应基于计算机科学的机器学习算法，还可以轻松实现脑激励电路和多种编码方案。研发团队已经实现在实时目标检测、跟踪、语音控制、避障和平衡控制等任务中仅使用该芯片同时处理多种算法和模型的尝试。天机芯片的进一步研究有望通过促进通用硬件平台的发展来促进通用人工智能的发展。
 ===神经忆阻系统===
@@ 第133行： / 第133行： @@
 ====人格权问题====
-随着神经形态系统的日益发展，一些学者主张赋予这些系统人格权。如果是大脑赋予了人类人格，那么在多大程度上模仿人类大脑的神经形态系统才能被赋予人格权利？“人类大脑计划”旨在推进以大脑为灵感的计算机技术发展，该计划的批评者认为，神经形态计算机技术的进步可能导致机器意识或人格的形成<ref>Aicardi, Christine (September 2018). "Accompanying technology development in the Human Brain Project: From foresight to ethics management". Futures. 102: 114–124. doi:10.1016/j.futures.2018.01.005.</ref>。这些批评者认为，如果这些系统被当作人来对待，那么人类使用神经形态系统执行任务（包括终止神经形态系统）的行为，在道德上就可能是不被允许的，因为这些行为将违反神经形态系统的自主性<ref>Lim, Daniel (2014-06-01). "Brain simulation and personhood: a concern with the Human Brain Project". Ethics and Information Technology (in English). 16 (2): 77–89. doi:10.1007/s10676-013-9330-5. ISSN 1572-8439.</ref>。
+随着神经形态系统的日益发展，一些学者主张赋予这些系统人格权。如果是大脑赋予了人类人格，那么在多大程度上模仿人类大脑的神经形态系统才能被赋予人格权利？“人类大脑计划”旨在推进以大脑为灵感的计算机技术发展，该计划的批评者认为，神经形态计算机技术的进步可能导致机器意识或人格的形成<ref>Aicardi, Christine (September 2018). "[https://www.sciencedirect.com/science/article/pii/S0016328717301064 Accompanying technology development in the Human Brain Project: From foresight to ethics management]". Futures. 102: 114–124. doi:[https://www.sciencedirect.com/science/article/pii/S0016328717301064 10.1016/j.futures.2018.01.005.]</ref>。这些批评者认为，如果这些系统被当作人来对待，那么人类使用神经形态系统执行任务（包括终止神经形态系统）的行为，在道德上就可能是不被允许的，因为这些行为将违反神经形态系统的自主性<ref>Lim, Daniel (2014-06-01). "[https://link.springer.com/article/10.1007/s10676-013-9330-5 Brain simulation and personhood: a concern with the Human Brain Project]". Ethics and Information Technology (in English). 16 (2): 77–89. doi:[https://link.springer.com/article/10.1007/s10676-013-9330-5 10.1007/s10676-013-9330-5.] ISSN 1572-8439.</ref>。
 ===法律问题===
@@ 第141行： / 第141行： @@
 ====所有权及财产权问题====
-法律界围绕财产权和人工智能有着重大争论。在Acohs Pty有限公司诉Ucorp Pty有限公司一案中，澳大利亚联邦法院的Christopher Jessup法官发现，版权保护不适用于材料安全数据表的源代码，因为它是由软件界面生成而非人类工作者生成的<ref>Lavan. "Copyright in source code and digital products". Lavan (in English). Retrieved 2019-05-10.</ref>。同样的问题可能也适用于神经形态系统：如果一个神经形态系统成功地模仿了人类的大脑，并产生了一部原创作品，那么该如何确认这部作品的所有权归属<ref>Eshraghian, Jason K. (9 March 2020). "Human Ownership of Artificial Creativity". Nature Machine Intelligence. 2: 157–160. doi:10.1038/s42256-020-0161-x.</ref>？
+法律界围绕财产权和人工智能有着重大争论。在Acohs Pty有限公司诉Ucorp Pty有限公司一案中，澳大利亚联邦法院的Christopher Jessup法官发现，版权保护不适用于材料安全数据表的源代码，因为它是由软件界面生成而非人类工作者生成的<ref>Lavan. "Copyright in source code and digital products". Lavan (in English). Retrieved 2019-05-10.</ref>。同样的问题可能也适用于神经形态系统：如果一个神经形态系统成功地模仿了人类的大脑，并产生了一部原创作品，那么该如何确认这部作品的所有权归属<ref>Eshraghian, Jason K. (9 March 2020). "[https://www.nature.com/articles/s42256-020-0161-x Human Ownership of Artificial Creativity]". Nature Machine Intelligence. 2: 157–160. doi:[https://www.nature.com/articles/s42256-020-0161-x 10.1038/s42256-020-0161-x.]</ref>？
 ===军民两用技术===

@@ 第40行： / 第40行： @@
 年6月，普渡大学的自旋电子学研究人员发表了一篇关于利用侧向自旋阀和忆阻器设计神经形态芯片的论文。他们认为，这种芯片结构的工作原理与神经元相似，因此可以用于大脑运行机制的复刻方法的测试。此外，这些芯片在能耗方面明显优于传统芯片<ref>Sharad, Mrigank; Augustine, Charles; Panagopoulos, Georgios; Roy, Kaushik (2012). "[https://arxiv.org/abs/1206.3227 Proposal For Neuromorphic Hardware Using Spin Devices]". arXiv:[https://arxiv.org/abs/1206.3227 1206.3227] [cond-mat.dis-nn].</ref>。
-惠普实验室在莫特忆阻器上的研究表明，尽管它们可以是非易失性的，但是在相变温度以下时表现出的易失性行为可以被用来制造类神经元电阻器（一种生物学启发的模仿神经元行为的硬件）<ref>Pickett, M. D.; Medeiros-Ribeiro, G.; Williams, R. S. (2012). "A scalable neuristor built with Mott memristors". Nature Materials. 12 (2): 114–7. Bibcode:2013NatMa..12..114P. doi:10.1038/nmat3510. <nowiki>PMID 23241533</nowiki>.</ref>。2013年9月，他们通过模型和仿真展示了这些类神经元电阻器的脉冲行为如何产生图灵机的所需元素<ref>Matthew D Pickett; R Stanley Williams (September 2013). "Phase transitions enable computational universality in neuristor-based cellular automata". Nanotechnology. IOP Publishing Ltd. 24 (38). 384002. Bibcode:2013Nanot..24L4002P. doi:10.1088/0957-4484/24/38/384002. <nowiki>PMID 23999059</nowiki>.</ref>。
+惠普实验室在莫特忆阻器上的研究表明，尽管它们可以是非易失性的，但是在相变温度以下时表现出的易失性行为可以被用来制造类神经元电阻器（一种生物学启发的模仿神经元行为的硬件）<ref>Pickett, M. D.; Medeiros-Ribeiro, G.; Williams, R. S. (2012). "[https://pubmed.ncbi.nlm.nih.gov/23241533/#:~:text=DOI%3A%2010.1038%2Fnmat3510%20Abstract%20The%20Hodgkin-Huxley%20model%20for%20action,of%20the%20nervous%20system%20and%20emulating%20its%20functionality. A scalable neuristor built with Mott memristors]". Nature Materials. 12 (2): 114–7. Bibcode:2013NatMa..12..114P. doi:[https://pubmed.ncbi.nlm.nih.gov/23241533/#:~:text=DOI%3A%2010.1038%2Fnmat3510%20Abstract%20The%20Hodgkin-Huxley%20model%20for%20action,of%20the%20nervous%20system%20and%20emulating%20its%20functionality. 10.1038/nmat3510.] <nowiki>PMID 23241533</nowiki>.</ref>。2013年9月，他们通过模型和仿真展示了这些类神经元电阻器的脉冲行为如何产生图灵机的所需元素<ref>Matthew D Pickett; R Stanley Williams (September 2013). "[https://iopscience.iop.org/article/10.1088/0957-4484/24/38/384002 Phase transitions enable computational universality in neuristor-based cellular automata]". Nanotechnology. IOP Publishing Ltd. 24 (38). 384002. Bibcode:2013Nanot..24L4002P. doi:[https://iopscience.iop.org/article/10.1088/0957-4484/24/38/384002 10.1088/0957-4484/24/38/384002.] <nowiki>PMID 23999059</nowiki>.</ref>。
-神经栅格 Neurogrid是由斯坦福大学Brains in Silicon公司研发的、使用神经形态工程原理设计的硬件。该电路板由16个定制设计的芯片组成。在设计中，每个NeuroCore芯片的模拟电路对65536个神经元的神经元素进行模拟，以最大限度地提高能量效率。模拟出的神经元通过设计的数字电路连接，以最大化脉冲吞吐量<ref>Waldrop, M. Mitchell (2013). "Neuroelectronics: Smart connections". Nature. 503 (7474): 22–4. Bibcode:2013Natur.503...22W. doi:10.1038/503022a. <nowiki>PMID 24201264</nowiki>.</ref><ref>Benjamin, Ben Varkey; Peiran Gao; McQuinn, Emmett; Choudhary, Swadesh; Chandrasekaran, Anand R.; Bussat, Jean-Marie; Alvarez-Icaza, Rodrigo; Arthur, John V.; Merolla, Paul A.; Boahen, Kwabena (2014). "Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations". Proceedings of the IEEE. 102 (5): 699–716. doi:10.1109/JPROC.2014.2313565.</ref>。
+神经栅格 Neurogrid是由斯坦福大学Brains in Silicon公司研发的、使用神经形态工程原理设计的硬件。该电路板由16个定制设计的芯片组成。在设计中，每个NeuroCore芯片的模拟电路对65536个神经元的神经元素进行模拟，以最大限度地提高能量效率。模拟出的神经元通过设计的数字电路连接，以最大化脉冲吞吐量<ref>Waldrop, M. Mitchell (2013). "[https://www.nature.com/articles/503022a Neuroelectronics: Smart connections]". Nature. 503 (7474): 22–4. Bibcode:2013Natur.503...22W. doi:[https://www.nature.com/articles/503022a 10.1038/503022a.] <nowiki>PMID 24201264</nowiki>.</ref><ref>Benjamin, Ben Varkey; Peiran Gao; McQuinn, Emmett; Choudhary, Swadesh; Chandrasekaran, Anand R.; Bussat, Jean-Marie; Alvarez-Icaza, Rodrigo; Arthur, John V.; Merolla, Paul A.; Boahen, Kwabena (2014). "[https://ieeexplore.ieee.org/document/6805187 Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations]". Proceedings of the IEEE. 102 (5): 699–716. doi:[https://ieeexplore.ieee.org/document/6805187 10.1109/JPROC.2014.2313565.]</ref>。
 人类大脑计划 Human Brain Project对神经形态工程具有较大影响，其主要任务是尝试用生物数据在超级计算机中模拟完整的人脑。人类大脑计划由神经科学、医学和计算机科学背景的研究人员组成<ref>"Involved Organizations". Archived from the original on 2 March 2013. Retrieved 22 February 2013.</ref>。该项目的联合主管亨利•马克拉姆 Henry Markram表示，人类大脑计划的目的是建立一个探索和了解脑科学和脑疾病知识的基础，并利用这些知识来构建更先进的计算机技术。这个项目的三个主要目标分别是: 更好地理解大脑的各个部分是如何相互配合协同工作的; 理解如何客观地诊断和治疗脑部疾病; 以及利用对人类大脑的理解来开发神经形态计算机。模拟一个完整的人类大脑需要一台比现在强大一千倍的超级计算机，这不断激发着对神经形态计算机领域的研究兴趣<ref>"Human Brain Project". Retrieved 22 February 2013.</ref>。欧盟委员会已经向人类大脑计划拨款13亿美元<ref>"The Human Brain Project and Recruiting More Cyberwarriors". January 29, 2013. Retrieved 22 February 2013.</ref>。
-其他与神经形态工程有关的研究还包括脑计划 BRAIN initiative<ref>Neuromorphic computing: The machine of a new soul, The Economist, 2013-08-03</ref>，和IBM研发的TrueNorth芯片<ref>Modha, Dharmendra (Aug 2014). "A million spiking-neuron integrated circuit with a scalable communication network and interface". Science. 345 (6197): 668–673. Bibcode:2014Sci...345..668M. doi:10.1126/science.1254642. <nowiki>PMID 25104385</nowiki>.</ref>。使用纳米晶体、纳米线和导电聚合物也能够用于制造神经形态学硬件<ref>Fairfield, Jessamyn (March 1, 2017). "Smarter Machines" (PDF).</ref>。
+其他与神经形态工程有关的研究还包括脑计划 BRAIN initiative<ref>Neuromorphic computing: The machine of a new soul, The Economist, 2013-08-03</ref>，和IBM研发的TrueNorth芯片<ref>Modha, Dharmendra (Aug 2014). "[https://www.science.org/doi/10.1126/science.1254642 A million spiking-neuron integrated circuit with a scalable communication network and interface]". Science. 345 (6197): 668–673. Bibcode:2014Sci...345..668M. doi:[https://www.science.org/doi/10.1126/science.1254642 10.1126/science.1254642.] <nowiki>PMID 25104385</nowiki>.</ref>。使用纳米晶体、纳米线和导电聚合物也能够用于制造神经形态学硬件<ref>Fairfield, Jessamyn (March 1, 2017). "Smarter Machines" (PDF).</ref>。
-年10月，英特尔发布了神经形态芯片 Loihi。该芯片采用异步脉冲神经网络实现了自适应、自修改、事件驱动的细粒度并行计算，实现了高效的学习和推理<ref>Davies, Mike; et al. (January 16, 2018). "Loihi: A Neuromorphic Manycore Processor with On-Chip Learning". IEEE Micro. 38 (1): 82–99. doi:10.1109/MM.2018.112130359.</ref><ref>Morris, John. "Why Intel built a neuromorphic chip". ZDNet (in English). Retrieved 17 August 2018.</ref>。
+年10月，英特尔发布了神经形态芯片 Loihi。该芯片采用异步脉冲神经网络实现了自适应、自修改、事件驱动的细粒度并行计算，实现了高效的学习和推理<ref>Davies, Mike; et al. (January 16, 2018). "[https://ieeexplore.ieee.org/document/8259423 Loihi: A Neuromorphic Manycore Processor with On-Chip Learning]". IEEE Micro. 38 (1): 82–99. doi:[https://ieeexplore.ieee.org/document/8259423 10.1109/MM.2018.112130359.]</ref><ref>Morris, John. "Why Intel built a neuromorphic chip". ZDNet (in English). Retrieved 17 August 2018.</ref>。
 比利时的微电子研究中心（IMEC）研发了世界上首个自学习神经形态芯片。这种基于丝状氧化物电阻存储技术 filamentary-oxide-based resistive memory technology（OxRAM）技术的大脑启发芯片具有自学习能力，并且已被证明具有创作音乐的能力<ref>"Imec demonstrates self-learning neuromorphic chip that composes music". IMEC International. Retrieved 1 October 2019.</ref>。IMEC发布了由芯片原型机谱写的30秒旋律。向芯片加载一系列特征、风格统一的歌曲（古代比利时和法国长笛小步舞曲），芯片从中学习相关规则并将其应用于创作<ref>Bourzac, Katherine (May 23, 2017). "A Neuromorphic Chip That Makes Music". IEEE Spectrum. Retrieved 1 October 2019.</ref>。

@@ 第6行： / 第6行： @@
 ==概述==
-神经形态工程 Neuromorphic engineering（也称为神经形态计算 Neuromorphic computing或类脑计算 Brain-inspired computing）。<ref>Monroe, D. (2014). "[https://datascienceassn.org/sites/default/files/Neuromorphic%20Computing%20Ready%20for%20Big%20Time.pdf Neuromorphic computing gets ready for the (really) big time]". Communications of the ACM. 57 (6): 13–15. doi:[https://datascienceassn.org/sites/default/files/Neuromorphic%20Computing%20Ready%20for%20Big%20Time.pdf 10.1145/2601069].</ref><ref>Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:10.1088/0957-4484/21/17/175202. <nowiki>PMID 20368686</nowiki>.</ref><ref>The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube</ref>
+神经形态工程 Neuromorphic engineering（也称为神经形态计算 Neuromorphic computing或类脑计算 Brain-inspired computing）。<ref>Monroe, D. (2014). "[https://datascienceassn.org/sites/default/files/Neuromorphic%20Computing%20Ready%20for%20Big%20Time.pdf Neuromorphic computing gets ready for the (really) big time]". Communications of the ACM. 57 (6): 13–15. doi:[https://datascienceassn.org/sites/default/files/Neuromorphic%20Computing%20Ready%20for%20Big%20Time.pdf 10.1145/2601069].</ref><ref>Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "[https://iopscience.iop.org/article/10.1088/0957-4484/21/17/175202 Nanotube devices based crossbar architecture: Toward neuromorphic computing]". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:[https://iopscience.iop.org/article/10.1088/0957-4484/21/17/175202 10.1088/0957-4484/21/17/175202]. <nowiki>PMID 20368686</nowiki>.</ref><ref>The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube</ref>
-是指使用包含电子模拟电路的超大规模集成电路系统来模拟神经系统中生理结构的研究方法。神经形态计算机或神经形态芯片包括任何使用由硅制成的人造神经元进行计算的设备。<ref>Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. doi:10.1109/5.58356.</ref><ref name=":0">"Neuromorphic Circuits With Neural Modulation Enhancing the Information Content of Neural Signaling | International Conference on Neuromorphic Systems 2020" (in English). doi:10.1145/3407197.3407204.</ref>近年来，神经形态学 neuromorphic被用来描述能够实现神经系统模型功能（如感知、运动控制，多感官整合等）的模拟、数字、模拟/数字混合模式超大规模集成电路和软件系统。神经形态计算的硬件实现可以通过基于氧化物的记忆电阻器 Memristor（简称忆阻器）、自旋电子存储器、阈值开关和晶体管来实现。<ref name=":0" /><ref>Zhou, You; Ramanathan, S. (2015-08-01). "Mott Memory and Neuromorphic Devices". Proceedings of the IEEE. 103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914. ISSN 0018-9219.</ref>对基于软件的脉冲神经网络系统的训练可以通过误差反向传播机制来实现，例如，使用snnTorch等基于Python的框架<ref>Eshraghian, Jason K.; Ward, Max; Neftci, Emre; Wang, Xinxin; Lenz, Gregor; Dwivedi, Girish; Bennamoun, Mohammed; Jeong, Doo Seok; Lu, Wei D. (1 October 2021). "Training Spiking Neural Networks Using Lessons from Deep Learning". arXiv:2109.12894.</ref>，或使用BindsNet等典型的受生物启发的学习模式<ref>"Hananel-Hazan/bindsnet: Simulation of spiking neural networks (SNNs) using PyTorch". 31 March 2020.</ref>。
+是指使用包含电子模拟电路的超大规模集成电路系统来模拟神经系统中生理结构的研究方法。神经形态计算机或神经形态芯片包括任何使用由硅制成的人造神经元进行计算的设备。<ref>Mead, Carver (1990). "[https://ieeexplore.ieee.org/document/58356 Neuromorphic electronic systems]" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. doi:[https://ieeexplore.ieee.org/document/58356 10.1109/5.58356].</ref><ref name=":0">"[https://dl.acm.org/doi/10.1145/3407197.3407204 Neuromorphic Circuits With Neural Modulation Enhancing the Information Content of Neural Signaling] | International Conference on Neuromorphic Systems 2020" (in English). doi:[https://dl.acm.org/doi/10.1145/3407197.3407204 10.1145/3407197.3407204.]</ref>近年来，神经形态学 neuromorphic被用来描述能够实现神经系统模型功能（如感知、运动控制，多感官整合等）的模拟、数字、模拟/数字混合模式超大规模集成电路和软件系统。神经形态计算的硬件实现可以通过基于氧化物的记忆电阻器 Memristor（简称忆阻器）、自旋电子存储器、阈值开关和晶体管来实现。<ref name=":0" /><ref>Zhou, You; Ramanathan, S. (2015-08-01). "[https://ieeexplore.ieee.org/document/7137616 Mott Memory and Neuromorphic Devices]". Proceedings of the IEEE. 103 (8): 1289–1310. doi:[https://ieeexplore.ieee.org/document/7137616 10.1109/JPROC.2015.2431914.] ISSN 0018-9219.</ref>对基于软件的脉冲神经网络系统的训练可以通过误差反向传播机制来实现，例如，使用snnTorch等基于Python的框架<ref>Eshraghian, Jason K.; Ward, Max; Neftci, Emre; Wang, Xinxin; Lenz, Gregor; Dwivedi, Girish; Bennamoun, Mohammed; Jeong, Doo Seok; Lu, Wei D. (1 October 2021). "[https://arxiv.org/abs/2109.12894 Training Spiking Neural Networks Using Lessons from Deep Learning]". arXiv:[https://arxiv.org/abs/2109.12894 2109.12894.]</ref>，或使用BindsNet等典型的受生物启发的学习模式<ref>"Hananel-Hazan/bindsnet: Simulation of spiking neural networks (SNNs) using PyTorch". 31 March 2020.</ref>。
 神经形态工程领域的一个关键问题，就是理解单个神经元形态、神经回路、应用和整体结构如何产生理想的计算，如何影响信息的表示和对破坏的鲁棒性，如何整合学习和发展，如何适应局部变化(可塑性) 并促进逐渐发展的变化。
-神经形态工程是以生物学、物理学、数学、计算机科学和电子工程<ref name=":0" />等学科为基础，设计人工神经系统（如视觉系统、头眼系统、听觉处理器以及物理结构和设计原则都受启发于生物神经系统的自主机器人）的一门交叉学科<ref>Boddhu, S. K.; Gallagher, J. C. (2012). "Qualitative Functional Decomposition Analysis of Evolved Neuromorphic Flight Controllers". Applied Computational Intelligence and Soft Computing. 2012: 1–21. doi:10.1155/2012/705483.</ref>。20世纪80年代后期，Carver Mead极大地推动了神经形态工程领域的发展<ref>Mead, Carver. "carver mead website". carvermead.</ref>。
+神经形态工程是以生物学、物理学、数学、计算机科学和电子工程<ref name=":0" />等学科为基础，设计人工神经系统（如视觉系统、头眼系统、听觉处理器以及物理结构和设计原则都受启发于生物神经系统的自主机器人）的一门交叉学科<ref>Boddhu, S. K.; Gallagher, J. C. (2012). "[https://downloads.hindawi.com/journals/acisc/2012/705483.pdf Qualitative Functional Decomposition Analysis of Evolved Neuromorphic Flight Controllers]". Applied Computational Intelligence and Soft Computing. 2012: 1–21. doi:[https://downloads.hindawi.com/journals/acisc/2012/705483.pdf 10.1155/2012/705483.]</ref>。20世纪80年代后期，Carver Mead极大地推动了神经形态工程领域的发展<ref>Mead, Carver. "carver mead website". carvermead.</ref>。
 == 发展脉络==
@@ 第31行： / 第31行： @@
 自然是向更可持续计算场景发展的重要灵感来源。在这种场景中，由于非易失性存储器、模拟/数字处理电路的集成等因素，神经形态系统具备复杂数据环境中的动态学习能力，显示出比传统处理器低得多的功耗。构建模拟生物对应物的人工神经网络是计算领域剩下的挑战之一。如果基本技术问题在未来几年内得到解决，低功耗、高速的神经形态计算机将推动对神经形态设备的需求，神经形态计算市场预计将从2025年的2亿美元上升到2035年的220亿美元<ref>Yole 2021 Neuromorphic computing and sensing 2021 Yole Reports www.yole.fr</ref>。
-神经形态计算的目标不是完美地模拟大脑及其所有功能，而是利用已知的大脑结构和运转机制来研发或优化实际的计算系统。任何神经形态学系统都不会声称或试图复制神经元和突触中的每一个元素，但所有人都一致认可将计算高度分散于一系列类似于神经元的小型计算元素的理念。研究人员用不同的方法来追求这一普遍目标<ref>Furber, Steve (2016). "Large-scale neuromorphic computing systems". Journal of Neural Engineering. 13 (5): 1–15. Bibcode:2016JNEng..13e1001F. doi:10.1088/1741-2560/13/5/051001. <nowiki>PMID 27529195</nowiki>.</ref>。
+神经形态计算的目标不是完美地模拟大脑及其所有功能，而是利用已知的大脑结构和运转机制来研发或优化实际的计算系统。任何神经形态学系统都不会声称或试图复制神经元和突触中的每一个元素，但所有人都一致认可将计算高度分散于一系列类似于神经元的小型计算元素的理念。研究人员用不同的方法来追求这一普遍目标<ref>Furber, Steve (2016). "[https://iopscience.iop.org/article/10.1088/1741-2560/13/5/051001 Large-scale neuromorphic computing systems]". Journal of Neural Engineering. 13 (5): 1–15. Bibcode:2016JNEng..13e1001F. doi:[https://iopscience.iop.org/article/10.1088/1741-2560/13/5/051001 10.1088/1741-2560/13/5/051001.] <nowiki>PMID 27529195</nowiki>.</ref>。
 ===代表性成果===
-早在2006年，佐治亚理工学院的研究人员就研发出了一种现场可编程神经阵列<ref>Farquhar, Ethan; Hasler, Paul. (May 2006). A field programmable neural array. pp. 4114–4117. doi:10.1109/ISCAS.2006.1693534. <nowiki>ISBN 978-0-7803-9389-9</nowiki>.</ref>。在此之后，一系列越来越复杂的浮栅晶体管阵列被成功研发出来，这些晶体管阵列可以通过在金属-氧化物半导体效应晶体管MOSFET的栅极上编程来模拟大脑中神经元的离子通道特性，这也是以硅为主要材料的可编程神经元阵列的最早成功案例之一。
+早在2006年，佐治亚理工学院的研究人员就研发出了一种现场可编程神经阵列<ref>Farquhar, Ethan; Hasler, Paul. (May 2006). [https://ieeexplore.ieee.org/document/1693534 A field programmable neural array]. pp. 4114–4117. doi:[https://ieeexplore.ieee.org/document/1693534 10.1109/ISCAS.2006.1693534.] <nowiki>ISBN 978-0-7803-9389-9</nowiki>.</ref>。在此之后，一系列越来越复杂的浮栅晶体管阵列被成功研发出来，这些晶体管阵列可以通过在金属-氧化物半导体效应晶体管MOSFET的栅极上编程来模拟大脑中神经元的离子通道特性，这也是以硅为主要材料的可编程神经元阵列的最早成功案例之一。
-年11月，麻省理工学院的一组研究人员研发出一种计算机芯片，该芯片上使用标准的互补金属氧化物半导体CMOS制造技术集成了400个晶体管，能够模拟神经元间突触中基于离子的通讯<ref>"MIT creates "brain chip"". Retrieved 4 December 2012.</ref><ref>Poon, Chi-Sang; Zhou, Kuan (2011). "Neuromorphic silicon neurons and large-scale neural networks: challenges and opportunities". Frontiers in Neuroscience. 5: 108. doi:10.3389/fnins.2011.00108. PMC 3181466. <nowiki>PMID 21991244</nowiki>.</ref>。
+年11月，麻省理工学院的一组研究人员研发出一种计算机芯片，该芯片上使用标准的互补金属氧化物半导体CMOS制造技术集成了400个晶体管，能够模拟神经元间突触中基于离子的通讯<ref>"MIT creates "brain chip"". Retrieved 4 December 2012.</ref><ref>Poon, Chi-Sang; Zhou, Kuan (2011). "[https://www.frontiersin.org/articles/10.3389/fnins.2011.00108/full Neuromorphic silicon neurons and large-scale neural networks: challenges and opportunities]". Frontiers in Neuroscience. 5: 108. doi:[https://www.frontiersin.org/articles/10.3389/fnins.2011.00108/full 10.3389/fnins.2011.00108.] PMC 3181466. <nowiki>PMID 21991244</nowiki>.</ref>。
-年6月，普渡大学的自旋电子学研究人员发表了一篇关于利用侧向自旋阀和忆阻器设计神经形态芯片的论文。他们认为，这种芯片结构的工作原理与神经元相似，因此可以用于大脑运行机制的复刻方法的测试。此外，这些芯片在能耗方面明显优于传统芯片<ref>Sharad, Mrigank; Augustine, Charles; Panagopoulos, Georgios; Roy, Kaushik (2012). "Proposal For Neuromorphic Hardware Using Spin Devices". arXiv:1206.3227 [cond-mat.dis-nn].</ref>。
+年6月，普渡大学的自旋电子学研究人员发表了一篇关于利用侧向自旋阀和忆阻器设计神经形态芯片的论文。他们认为，这种芯片结构的工作原理与神经元相似，因此可以用于大脑运行机制的复刻方法的测试。此外，这些芯片在能耗方面明显优于传统芯片<ref>Sharad, Mrigank; Augustine, Charles; Panagopoulos, Georgios; Roy, Kaushik (2012). "[https://arxiv.org/abs/1206.3227 Proposal For Neuromorphic Hardware Using Spin Devices]". arXiv:[https://arxiv.org/abs/1206.3227 1206.3227] [cond-mat.dis-nn].</ref>。
 惠普实验室在莫特忆阻器上的研究表明，尽管它们可以是非易失性的，但是在相变温度以下时表现出的易失性行为可以被用来制造类神经元电阻器（一种生物学启发的模仿神经元行为的硬件）<ref>Pickett, M. D.; Medeiros-Ribeiro, G.; Williams, R. S. (2012). "A scalable neuristor built with Mott memristors". Nature Materials. 12 (2): 114–7. Bibcode:2013NatMa..12..114P. doi:10.1038/nmat3510. <nowiki>PMID 23241533</nowiki>.</ref>。2013年9月，他们通过模型和仿真展示了这些类神经元电阻器的脉冲行为如何产生图灵机的所需元素<ref>Matthew D Pickett; R Stanley Williams (September 2013). "Phase transitions enable computational universality in neuristor-based cellular automata". Nanotechnology. IOP Publishing Ltd. 24 (38). 384002. Bibcode:2013Nanot..24L4002P. doi:10.1088/0957-4484/24/38/384002. <nowiki>PMID 23999059</nowiki>.</ref>。

@@ 第6行： / 第6行： @@
 ==概述==
-神经形态工程 Neuromorphic engineering（也称为神经形态计算 Neuromorphic computing或类脑计算 Brain-inspired computing）。<ref>Monroe, D. (2014). "Neuromorphic computing gets ready for the (really) big time". Communications of the ACM. 57 (6): 13–15. doi:[https://datascienceassn.org/sites/default/files/Neuromorphic%20Computing%20Ready%20for%20Big%20Time.pdf 10.1145/2601069].</ref><ref>Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:10.1088/0957-4484/21/17/175202. <nowiki>PMID 20368686</nowiki>.</ref><ref>The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube</ref>
+神经形态工程 Neuromorphic engineering（也称为神经形态计算 Neuromorphic computing或类脑计算 Brain-inspired computing）。<ref>Monroe, D. (2014). "[https://datascienceassn.org/sites/default/files/Neuromorphic%20Computing%20Ready%20for%20Big%20Time.pdf Neuromorphic computing gets ready for the (really) big time]". Communications of the ACM. 57 (6): 13–15. doi:[https://datascienceassn.org/sites/default/files/Neuromorphic%20Computing%20Ready%20for%20Big%20Time.pdf 10.1145/2601069].</ref><ref>Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:10.1088/0957-4484/21/17/175202. <nowiki>PMID 20368686</nowiki>.</ref><ref>The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube</ref>
 是指使用包含电子模拟电路的超大规模集成电路系统来模拟神经系统中生理结构的研究方法。神经形态计算机或神经形态芯片包括任何使用由硅制成的人造神经元进行计算的设备。<ref>Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. doi:10.1109/5.58356.</ref><ref name=":0">"Neuromorphic Circuits With Neural Modulation Enhancing the Information Content of Neural Signaling | International Conference on Neuromorphic Systems 2020" (in English). doi:10.1145/3407197.3407204.</ref>近年来，神经形态学 neuromorphic被用来描述能够实现神经系统模型功能（如感知、运动控制，多感官整合等）的模拟、数字、模拟/数字混合模式超大规模集成电路和软件系统。神经形态计算的硬件实现可以通过基于氧化物的记忆电阻器 Memristor（简称忆阻器）、自旋电子存储器、阈值开关和晶体管来实现。<ref name=":0" /><ref>Zhou, You; Ramanathan, S. (2015-08-01). "Mott Memory and Neuromorphic Devices". Proceedings of the IEEE. 103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914. ISSN 0018-9219.</ref>对基于软件的脉冲神经网络系统的训练可以通过误差反向传播机制来实现，例如，使用snnTorch等基于Python的框架<ref>Eshraghian, Jason K.; Ward, Max; Neftci, Emre; Wang, Xinxin; Lenz, Gregor; Dwivedi, Girish; Bennamoun, Mohammed; Jeong, Doo Seok; Lu, Wei D. (1 October 2021). "Training Spiking Neural Networks Using Lessons from Deep Learning". arXiv:2109.12894.</ref>，或使用BindsNet等典型的受生物启发的学习模式<ref>"Hananel-Hazan/bindsnet: Simulation of spiking neural networks (SNNs) using PyTorch". 31 March 2020.</ref>。

@@ 第6行： / 第6行： @@
 ==概述==
-神经形态工程 Neuromorphic engineering（也称为神经形态计算 Neuromorphic computing或类脑计算 Brain-inspired computing）。<ref>Monroe, D. (2014). "Neuromorphic computing gets ready for the (really) big time". Communications of the ACM. 57 (6): 13–15. doi:[[10.1145/2601069]].</ref><ref>Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:10.1088/0957-4484/21/17/175202. <nowiki>PMID 20368686</nowiki>.</ref><ref>The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube</ref>
+神经形态工程 Neuromorphic engineering（也称为神经形态计算 Neuromorphic computing或类脑计算 Brain-inspired computing）。<ref>Monroe, D. (2014). "Neuromorphic computing gets ready for the (really) big time". Communications of the ACM. 57 (6): 13–15. doi:[https://datascienceassn.org/sites/default/files/Neuromorphic%20Computing%20Ready%20for%20Big%20Time.pdf 10.1145/2601069].</ref><ref>Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). "Nanotube devices based crossbar architecture: Toward neuromorphic computing". Nanotechnology. 21 (17): 175202. Bibcode:2010Nanot..21q5202Z. doi:10.1088/0957-4484/21/17/175202. <nowiki>PMID 20368686</nowiki>.</ref><ref>The Human Brain Project SP 9: Neuromorphic Computing Platform on YouTube</ref>
 是指使用包含电子模拟电路的超大规模集成电路系统来模拟神经系统中生理结构的研究方法。神经形态计算机或神经形态芯片包括任何使用由硅制成的人造神经元进行计算的设备。<ref>Mead, Carver (1990). "Neuromorphic electronic systems" (PDF). Proceedings of the IEEE. 78 (10): 1629–1636. doi:10.1109/5.58356.</ref><ref name=":0">"Neuromorphic Circuits With Neural Modulation Enhancing the Information Content of Neural Signaling | International Conference on Neuromorphic Systems 2020" (in English). doi:10.1145/3407197.3407204.</ref>近年来，神经形态学 neuromorphic被用来描述能够实现神经系统模型功能（如感知、运动控制，多感官整合等）的模拟、数字、模拟/数字混合模式超大规模集成电路和软件系统。神经形态计算的硬件实现可以通过基于氧化物的记忆电阻器 Memristor（简称忆阻器）、自旋电子存储器、阈值开关和晶体管来实现。<ref name=":0" /><ref>Zhou, You; Ramanathan, S. (2015-08-01). "Mott Memory and Neuromorphic Devices". Proceedings of the IEEE. 103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914. ISSN 0018-9219.</ref>对基于软件的脉冲神经网络系统的训练可以通过误差反向传播机制来实现，例如，使用snnTorch等基于Python的框架<ref>Eshraghian, Jason K.; Ward, Max; Neftci, Emre; Wang, Xinxin; Lenz, Gregor; Dwivedi, Girish; Bennamoun, Mohammed; Jeong, Doo Seok; Lu, Wei D. (1 October 2021). "Training Spiking Neural Networks Using Lessons from Deep Learning". arXiv:2109.12894.</ref>，或使用BindsNet等典型的受生物启发的学习模式<ref>"Hananel-Hazan/bindsnet: Simulation of spiking neural networks (SNNs) using PyTorch". 31 March 2020.</ref>。

@@ 第173行： / 第173行： @@
 *[http://www.ine-news.org/ INE新闻站点]
 *[http://www.frontiersin.org/neuromorphic_engineering 神经形态工程学前沿]
-*[http://www.cns.caltech.edu/ 加州理工学院计算与神经系统系]].
+*[http://www.cns.caltech.edu/ 加州理工学院计算与神经系统系]
 *[http://www.humanbrainproject.eu/ 人脑项目官方网站]
 *[https://www.the-scientist.com/features/building-a-silicon-brain-65738 打造硅脑: 基于生物神经元的计算机芯片可能有助于模拟更大、更复杂的大脑模型]

@@ 第189行： / 第189行： @@
 该讲座分为两部分：第一部分为神经元的轴突输运特征及其与神经形态之间的关系，第二部分为神经突触可塑性中涉及的囊泡输运和释放，短时突触可塑性的神经细胞差异性及其在神经元微环路中细胞发放特征的作用。
 ----
-本中文词条由Shenky20翻译，[[用户:薄荷|薄荷]]编辑，如有问题，欢迎在讨论页面留言。
+本中文词条由Shenky20翻译，[[用户:薄荷|薄荷]]和江森-JS编辑，如有问题，欢迎在讨论页面留言。
 '''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

@@ 第328行： / 第328行： @@
 ==编者推荐==
 ===集智课程===
-====[https://campus.swarma.org/course/4370 神经动力学模型读书会]====
+====[https://pattern.swarma.org/study_group/15 神经动力学模型读书会]====
-人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统。自神经科学这一学科建立以来，从解析神经元之间的相互作用机理、到刻画皮层柱之间的连接形式、再到探究脑区间不同认知功能的分离与整合模式，无数科学家试图从不同尺度研究大脑，以期揭示人脑这一最为复杂的神经系统的工作模式，进而理解语言、情绪、记忆和社会交往等高级认知活动的底层神经机制，并一定程度上启发通用人工智能机器人的设计。
+人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统。自神经科学这一学科建立以来，从解析神经元之间的相互作用机理、到刻画皮层柱之间的连接形式、再到探究脑区间不同认知功能的分离与整合模式，无数科学家试图从不同尺度研究大脑，以期揭示人脑这一最为复杂的神经系统的工作模式，进而理解语言、情绪、记忆和社会交往等高级认知活动的底层神经机制，并一定程度上启发通用<nowiki/>https://campus.swarma.org/course/4370<nowiki/>人工智能机器人的设计。
 近年来，脱胎于系统科学的动力学建模方法，逐渐被广泛地应用于神经科学研究中，其作为一种绝佳的数理工具，愈发地受到研究人员的重视，在类脑计算、脑认知原理解析和脑重大疾病致病机理探索等具体方面，发挥着不可替代的作用。