盖世汽车讯 我们都想要一个具有超强记忆力、超高运算力和聪明才智的大脑，但如何设计这样的大脑呢？真正的大脑由约800亿个神经元组成，这些神经元通过数以万计的突触形式的连接相互协调，但人脑没有像标准笔记本电脑那样的中央处理器。

相反，许多计算是并行运行的，并且会比较结果。虽然人脑的运行原理还没有完全理解，但使用现有的数学算法可以将深度学习原理改造成更像人脑的系统。这种受大脑启发的计算范式——尖峰神经网络（SNN）——提供了一种计算架构，与使用光学和电子元件的系统的潜在优势非常吻合。

在SNN中，信息以尖峰或动作电位的形式处理，即真实神经元放电时发生的电脉冲。这两种形式的一个关键特性是使用异步处理，这意味着尖峰在出现时会被及时处理，而不是像传统神经网络那样被批量处理。因此SNN能够对其输入的变化做出快速反应，并比传统神经网络更有效地执行某些类型的计算。

SNN还能够实现在传统神经网络中难以或不可能实现的某些类型的神经计算，例如时间处理和脉冲时间依赖可塑性（STDP），其中STDP是赫布型学习（Hebbian learning）的一种形式，允许神经元根据尖峰脉冲的时间改变突触连接。（赫布学习被概括为“一起放电的神经元连接在一起”，适用于模拟大脑学习能力可塑性的数学）。

据外媒报道，近日发表在期刊《IEEE Journal of Selected Topics in Quantum Electronics》上的一篇论文描述了利用光电神经元、模拟电路和马赫-曾德尔干涉仪（Mach-Zehnder Interferometer）网格协同集成的SNN设备的开发。这些网格是可以执行矩阵乘法的光路组件，类似于突触网格在人脑中的运作方式。

图片来源：电气与电子工程师协会

论文作者表示，光电神经元可以接受来自光通信网络的输入，通过模拟电路处理信息，并通过激光传回网络。与传统的纯电子系统相比，此过程允许系统之间更快的数据传输和通信。

该论文还描述了使用现有算法，例如随机反向传播（Random Backpropagation）和对比赫布学习（Contrastive Hebbian Learning），来创建受大脑启发的计算系统。 这些算法允许系统像人脑一样从每个突触的局部信息中学习，与使用反向传播的传统机器学习系统相比，在计算性能方面具有显著优势。

关于AI和机器学习，SNN为模拟其自然进化条件的任务提供了优于现代计算范式的多项优势。由于SNN以连续方式随时间处理数据，因此非常适合位于实时环境中的应用程序，一次提供单一推理和学习实例（例如基于事件的信号处理）。

此外，随着时间的推移，信息的传播允许在不同时间尺度上形成多种形式的记忆，比如人类对工作记忆、短期记忆和长期记忆的区分。神经形态传感和机器人技术是SNN的常见应用，例如自适应机械臂控制器可以在执行器磨损时提供可靠的电机控制。

更具推测性的是，未来设备可能会在语音助手、实时字幕服务或音频分离的实时音频和自然语言处理环境中利用这些属性；同样，SNN还可用于自动驾驶汽车或监控系统中的实时视频和激光雷达处理。