引言
随着人工智能和数据驱动应用的发展，对计算能力和能源效率的需求显著增加。传统计算架构因冯·诺依曼瓶颈和摩尔定律放缓面临基本限制。借鉴大脑计算原理的类脑计算为解决这些挑战提供了新的方案[1]。
图1：(a)展示了人工智能模型对计算能力需求的指数级增长；(b)显示了训练人工智能模型成本的上升趋势，说明需要更高效的计算范式。
类脑计算方法
类脑计算通过各种硬件实现方式复制生物神经系统的特定功能。这些系统可以并行处理信息，将存储与计算集成，并采用基于脉冲的信号操作。这种方法在能源效率和实时处理能力方面具有显著优势。
图2：展示了(a)漏积分发放神经元示意图，显示三个前神经元与后神经元的连接；(b)后神经元的时间动态特性，说明类脑计算的基本原理。
材料与技术
类脑计算实现涉及多种材料系统和器件技术，从传统CMOS到新兴技术，如阻变存储器、相变材料和磁性器件等。
图3：展示了(a)三态内容寻址存储器示意图；(b)模拟内容寻址存储器结构；(c)六晶体管双存储器模拟内容寻址存储器线路设计；(d)决策树示例；(e)存储器计算映射方案，展示了类脑系统的各种硬件实现方法。
实现策略
类脑计算系统的实现采用多种架构方法，包括用于矩阵运算的交叉阵列、用于时间处理的脉冲神经网络和混合模拟-数字设计。
图4：展示了不同的模拟矩阵计算线路：(a)矩阵向量乘法；(b)矩阵求逆；(c)广义左逆；(d)广义右逆；(e)特征向量计算，展示了各种计算功能。
新兴器件概念
研究人员正在探索新型器件概念以增强类脑系统的性能。这包括忆阻器件、相变存储器和自旋电子器件，每种器件都在特定应用中具有独特优势。
图5：说明了类脑计算的主要材料挑战，强调了新型非易失性存储器在可扩展性、速度、可靠性和模拟操作能力方面的要求。
发展方向
类脑计算领域正在快速发展，新的材料、器件和架构概念不断涌现。这些不同技术和方法的整合对于实现能解决实际应用问题的类脑系统极为重要。
图6：展示了(a)矩阵-矩阵-向量乘法和(b)稀疏近似问题求解的模拟矩阵计算线路，展示了类脑系统的高级计算能力。
跨学科领域需要在材料科学、器件物理、线路设计和系统架构方面持续创新。随着技术的成熟，类脑计算系统将在未来计算应用中发挥更大作用，特别是在需要高能效和实时处理的边缘计算和人工智能应用中。
参考文献
[1] A. Mehonic et al., "Roadmap to neuromorphic computing with emerging technologies," [Review Article] APL Mater., vol. 12, no. 1, p. 109201, Oct. 2024, doi: 10.1063/5.0179424.
点击左下角"阅读原文"马上申请
欢迎转载
转载请注明出处，请勿修改内容和删除作者信息！
关注我们
关于我们：
深圳逍遥科技有限公司（Latitude Design Automation Inc.）是一家专注于半导体芯片设计自动化（EDA）的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件，提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio，分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务，广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作，推动特色工艺半导体产业链发展，致力于为客户提供前沿技术与服务。
http://www.latitudeda.com/
（点击上方名片关注我们，发现更多精彩内容）
