类脑计算有望彻底改变计算领域，甚至超越人脑，丰田合作综述类脑计算的兴起
内容提要
微软系统故障导致全球大范围宕机。类脑计算是研究如何将生物大脑的计算原理转化为硬件设计的跨学科研究领域。荷兰特温特大学和比利时丰田汽车欧洲公司的研究人员发表综述文章，概述了类脑计算硬件的最新进展。类脑计算可实现节能计算，并将人工智能扩展到边缘。内存计算、神经形态计算、储层计算和超维计算是类脑计算的子领域。能源效率是类脑计算的基准指标之一。类脑计算领域具有巨大潜力，有望改变计算领域。
延伸解读
类脑计算与深度学习的能耗对比
文章指出，深度神经网络是目前最广泛使用的计算模型，但计算成本高昂，需要大量计算资源。相比之下，人脑通过数十亿神经元和数万亿突触的相互作用，消耗约20瓦的功率，就能执行复杂认知任务。这种能效差距促使研究者从大脑中汲取灵感，开发类脑计算硬件，以降低能耗并提升计算效率。
内存计算为何能效领先
综述通过标准化方法比较了不同类脑计算方法的能效，发现内存计算表现最佳。这得益于其大规模并行化乘累加操作，以及基于基尔霍夫定律的电流累积执行方式，能有效降低操作成本。此外，SRAM计算受益于成熟的CMOS技术，便于外围电路集成。这些因素使内存计算在能效方面具有明显优势。
光子计算的能效挑战
尽管光子张量核在吞吐量上表现突出，但其能效并不理想。文章指出，光电源、信号转换和调制器等组件是主要的耗电设备。降低吞吐量可以提高光子张量核的能效，但随着加速器规模增大，功耗显著增加。未来研究需通过创新方案，如将所有存储层实现在同一信号域，以提升光子计算的能效。
类脑计算的应用前景与挑战
类脑计算有望将人工智能扩展到边缘设备，实现节能计算。然而，该领域范围广泛，不同方法在计算精度、可靠性和并行性等方面存在挑战。例如，内存计算面临器件随机切换和外围电路功耗问题；神经形态计算需优化脉冲神经网络；储层计算和超维计算也各有局限。未来需通过架构、材料和软硬件协同设计来推动发展。
Q&A
类脑计算的定义是什么？
类脑计算是将生物大脑的计算原理转化为硬件设计的跨学科研究领域，旨在提高能源效率。
类脑计算有哪些主要子领域？
类脑计算的主要子领域包括内存计算、神经形态计算、储层计算和超维计算。
类脑计算如何提高计算效率？
类脑计算通过模拟大脑的计算方式，整合内存和处理单元，减少数据传输，从而提高计算效率。
类脑计算在人工智能领域的应用前景如何？
类脑计算有望扩展人工智能的应用，提供更高效、节能的计算能力，满足大规模神经网络的需求。
类脑计算的能源效率如何与传统计算方法比较？
类脑计算在能源效率方面表现优越，尤其是内存计算，其能效高于传统数字解决方案。
未来类脑计算的发展方向是什么？
未来类脑计算的发展应集中在提高光子计算的能效和推动更高效的计算系统的构建上。
