更改

本文主要参考并翻译的文章为"2022 roadmap on neuromorphic computing and engineering."，[48]结合维基百科词条Neuromorphic engineering[53]。

本文主要参考并翻译的文章为"[https://iopscience.iop.org/article/10.1088/2634-4386/ac4a83 2022 roadmap on neuromorphic computing and engineering]."，结合维基百科词条[[wikipedia:Neuromorphic_engineering|Neuromorphic engineering]]。

==概述==

==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）[1][2][3]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。[4][5]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。[5][7]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，[8]或使用BindsNet等典型的受生物启发的学习模式。[9]

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）[1][2][3]。

 

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。[4][5]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。[5][7]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，[8]或使用BindsNet等典型的受生物启发的学习模式。[9]

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。