飞鱼博客 
完美的记忆力、计算能力和敏锐的智慧:这是我们都想要的大脑，但如何设计这样的大脑呢?真正的大脑是由大约800亿个神经元组成的，这些神经元通过数以万计的突触形式的连接相互协调。人脑没有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，结果是比较的。虽然人类大脑的运作原理还没有完全被理解，但现有的数学算法可以用来将深度学习原理重新设计成更像人类大脑的系统。这种大脑启发的计算范式——脉冲神经网络(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很好地结合在一起。
在snn中，信息以峰值或动作电位的形式被处理，这是真实神经元放电时产生的电脉冲。它们的关键特性之一是使用异步处理，这意味着峰值是在它们发生时进行处理的，而不是像传统神经网络那样分批处理。这使得snn能够对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，例如时间处理和峰值时间依赖可塑性(STDP)，这是一种Hebbian学习形式，允许神经元根据其峰值的时间改变其突触连接。(Hebbian学习被概括为“一起放电的细胞连接在一起”。它适合用数学来模拟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》上的一篇论文描述了一种利用光电神经元、模拟电路和马赫-曾德尔干涉仪网格协整的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，类似于人脑中突触网格的操作方式。
作者展示了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，并通过激光与光通信网络通信。与传统的纯电子系统相比，这个过程允许系统之间更快的数据传输和通信。
论文还描述了现有算法的使用，如随机反向传播和对比Hebbian学习，以创建大脑启发的计算系统。这些算法允许系统从每个突触的局部信息中学习，就像人类大脑一样，与使用反向传播的传统机器学习系统相比，在计算性能上具有显著优势。
与人工智能和机器学习相关，snn在模拟其自然进化条件的任务中提供了优于现代计算范式的几个优势。由于snn以连续的方式随着时间的推移处理数据，因此它们非常适合位于实时环境中的应用程序，每次只提供单个推理和学习实例(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的时间尺度上形成多种形式的记忆，就像人类对工作记忆、短期记忆和长期记忆的区分一样。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。
更有可能的是，未来的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。
更多信息:Luis El Srouji等人，可扩展纳米光子电子脉冲神经网络，IEEE量子电子学杂志(2022)。DOI: 10.1109/JSTQE.2022.3217011由电气和电子工程师协会提供引文:研究团队设计了用于光电计算的脑启发装置(2023,5月30日)检索自https://techxplore.com/news/2023-05-team-brain-inspired-device-optoelectronic.html。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
