2016年8月,欧盟人脑计划(HBP)项目负责人KarlheinzMeier教授在高性能计算机技术国际会议“ISC 2016”上介绍了神经形态计算的发展概况,如下所示。
(1)经过十年的发展,现有硬件系统已经达到了较高的成熟度,具备非专业人士使用的条件。
(2)通过专用软件工具实现高度可配置性,但尚未取代通用机器。
(3)使用大规模神经系统中多重时间尺度的唯一方式是使其功能化。
(4)非常适合于随机推理计算。
(5)非常适合于利用深亚微米尺度的非CMOS器件。
当前基于传统计算机的认知计算/深度学习研究成果非常可观,Google的AlphaGo算法已经轻而易举地击败世界围棋冠军。但是,简单地将神经网络应用于传统的冯诺依曼架构也存在一定的缺陷,其一是功耗没有降到人脑所需的水平,其二是训练神经网络所需的时间过长。神经形态计算架构并不执行数值计算,而是像人脑一样的通用模式识别和差别处理,目前研究人员已经在超级计算机上成功实现了神经网络的绘制。
目前已经开发出了三个主要的神经形态系统,包括IBM利用基于CMOS电路的TrueNorth芯片创建的TrueNorth系统、SteveFurber建立在ARM架构上的SpiNNaker系统、KarlheinzMeier的基于神经形态物理器件的BrainScaleS系统。对所有系统来说,神经网络的训练仍然是一大挑战。目前常用的神经网路训练方法包括确定性的监督式学习、确定性的非监督式学习、随机性的监督式学习。