专家探讨神经形态计算未来发展之路

多位国际电气和电子工程师协会（IEEE）会员联合发表了一篇神经形态计算与神经网络硬件的全面调研（调研得到了美国能源部先进科学计算研究办公室、橡树岭国家实验室的支持），对神经形态计算的发展历程及其驱动因素进行了全面的梳理，并探讨了神经形态计算的未来发展之路。该文认为，神经形态计算在未来数年的主要发展方向包括：

到目前为止，在神经形态计算和神经网络的硬件领域显然已经积累了大量的工作经验。展望未来，在很多领域内存在几个令人兴奋的研究方向，可以在将来彻底改变我们为什么要使用神经形态计算机和如何使用它的观念。

从机器学习的角度来看，最有趣的问题是适当的训练算法和（或）学习算法也适用于神经形态系统。神经形态计算系统为探索规模不断增长的不同培训与学习机制提供了平台。如果正确使用，我们预计神经形态计算设备可能会帮助提高脉冲神经网络的性能，其效果类似于GPU对深度学习网络的影响。换句话说，当算法开发人员不需要依赖对网络和（或）培训方法的慢速模拟时，转而开发其他有效方法的速度就会快得多。然而，为了实现这一创新，算法开发人员的眼光需要超越传统算法，例如反向传播算法等，并在冯·诺依曼(von Neumann)架构之外进行思考。这不是一件容易的事情，但如果成功，可能会彻底改变我们对机器学习的认识和神经形态计算机的应用类型。

从设备层面来看，对新型及新兴神经形态技术与材料的使用是当前神经形态计算研究中最令人振奋的部分之一。如今人们已能够制造出纳米级材料，许多新的设备组件将被开发出来。所有层次的神经形态计算研究人员，包括模型和算法，都应该与材料科学家合作，因为这些新材料的开发正是为了将神经形态计算用于各种场景而定制的。这不仅可能带来基于新技术的极小型、超快速的神经形态计算机，而且可能促使人们合作开发新的复合材料，从而引出针对神经形态计算特别定制的举措。

从软件工程的角度来看，神经形态计算机带来了一个新的挑战，即如何开发软件系统，以支持将来非专业人员使用的神经形态计算机。随着我们不断开发新型神经形态设备，更多的软件工程师将参与进来，以开发这些系统的支持软件，并熟悉设计本身，从而使整个神经形态计算社区大大受益。此时，神经形态计算机也需要完全不同于传统的冯·诺依曼架构的思维方式。创造专门用于神经形态设备的编程语言是开始吸引新用户的一种方式。该语言能够使设备不被用作神经网络模拟器，而是作为具有某些特征的特殊类型计算机（例如，大规模并行化、组合的存储器与计算元件）。我们相信这些语言将会是非常有用的。

从终端用户和应用的角度来看，神经形态社区需要完成许多工作来为神经形态系统的用例进行扩展并交流信息。其中的一些用例包括未来异构计算机中的神经形态协处理器、联网应用中的智能传感器或异常检测器、自主车辆中具有极低功耗和很小尺寸的智能控制器、卫星等已部署系统中的原位数据分析平台，以及许多其他应用领域。需要告诉整个社区：神经形态系统能够被高效地用于实时时空数据分析或实时监控，从而使具有这些应用类型需求的人可以将神经形态计算机作为一种解决方案，来满足他们的计算需求。

神经形态计算显然存在许多令人兴奋的发展领域。同样显而易见的是，如果我们继续加强各层次的神经形态计算研究，从材料一直到算法和模型，神经形态计算机可以在未来的计算环境中发挥重要作用。不同层次的协调将有助于促进神经形态计算研究的发展，而且作为一个社区，我们应该鼓励协调，以促进创新并推动该领域不断前进。