完美的记忆力、强大的计算能力和突出的智慧：我们都想要这样的大脑，但是如何设计这样的大脑呢？真实的大脑由大约800亿个神经元组成，它们通过数以万计的突触连接来协调彼此之间的工作。人类的大脑没有像标准笔记本电脑那样的集中式处理器。与此相反，许多计算是并行运行的，并且结果会进行比较。虽然人脑的操作原理尚未完全被理解，但现有的数学算法可以将深度学习原则改造成更类似于人脑的系统。这种基于大脑启发的计算范式——脉冲神经网络（SNN）提供了与同时使用光学和电子组件的系统潜在优势非常匹配的计算架构。



在脉冲神经网络（SNN）中，信息以脉冲或动作电位的形式进行处理，这些电信号是真实神经元发放电信号时会产生的。其中一个关键特点是它们使用异步处理，这就意味着脉冲会按照时间发生顺序进行处理，而不是像传统神经网络那样批量处理。这使得 SNN 能够更快地对输入进行响应，并且比传统神经网络更高效地执行某些类型的计算。

SNN 还能够实现某些在传统神经网络中很难或不可能实现的神经计算，例如时间处理和脉冲时序依赖可塑性（STDP）。STDP 是一种Hebbian学习理论的形式，它使神经元能够根据其脉冲时间来改变它们的突触连接。 （Hebbian学习理论可以用“同时发放的神经元连接在一起”来总结。它可以用数学模型来描述大脑学习能力的可塑性。）

最近发表在《IEEE量子电子学专题选刊》的一篇论文描述了一种利用光电子神经元、模拟电路和Mach-Zehnder干涉仪网格相互集成的 SNN 设备的开发。这些网格是光学电路组件，可以执行矩阵乘法，类似于神经元突触网络在人脑中的运作方式。

作者展示了光电子神经元可以通过光通信网络接收输入，通过模拟电路处理信息，并通过激光向网络进行通信。这个过程可以比传统的仅使用电子系统更快速地传输数据和进行系统间的通信。

该论文还描述了使用现有算法（例如随机反向传播和对比Hebbian学习）来创建仿脑的计算系统。这些算法使系统能够像人脑一样从每个突触的信息中进行学习，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。

在与人工智能和机器学习相关的领域中，SNN 相对于现代计算范式在模拟它们自然演化条件下的任务方面存在着多个优势。因为 SNN 以连续的方式随着时间的推移处理数据，所以它们非常适合在实时环境中进行应用，只在一个推理和学习示例中呈现单个的情况，如事件驱动信号处理。

此外，信息随时间传播允许在不同时间尺度上存在多种形式的记忆，就像人类区分工作、短期和长期记忆一样。神经形态感知和机器人技术是SNN的常见应用。例如，自适应机器人手臂控制器可以在致动器磨损时提供可靠的电机控制。

更有可能的是，未来的设备可能会利用这些特性，在语音助手、实时字幕服务或音频分离的语音和自然语言处理背景下进行操作；同样，SNN可用于自动驾驶车辆或监控系统中的实时视频和激光雷达处理。

 

来源：https://techxplore.com/news/2023-05-team-brain-inspired-device-optoelectronic.html