NEUROSEC: 基于 FPGA 的神经形态音频安全
内容提要
该文综述神经形态工程，涵盖FPGA神经网络实时模式识别、Spiketrum脉冲编码、脑启发脉冲神经网络平台、开源CAD框架NeuCASL、混合信号神经形态芯片及忆阻器视觉应用，旨在以类脑计算实现低能耗、低延迟、自适应的智能系统。
延伸解读
神经形态计算的核心优势
文章指出，神经形态计算有望比传统冯·诺依曼计算模式在能效上提升数个数量级。其目标是通过学习和模拟大脑功能，开发自适应、容错、低占用、快速、低能耗的智能系统。这种优势源于在材料、器件、电路、架构和算法等不同抽象层面上的创新，而非单一技术的突破。
FPGA在神经形态系统中的角色
文章提到一个基于FPGA的硬件架构，使用神经工程框架（NEF）实现大规模神经网络，用于实时模式识别。该架构不仅适用于手写字体识别，还能作为语音和图像等模式的极快速度处理器，每秒可处理512万个数字。这展示了FPGA在神经形态计算中实现实时性和灵活性的潜力。
脉冲编码与听觉感知的协同设计
文章介绍了Spiketrum神经脉冲编码模型，它将时变模拟信号（通常是听觉信号）转换为计算高效的时空脉冲模式，实现稀疏有效的编码。通过精确可控的脉冲速率，便于训练脉冲神经网络。作者还通过神经型耳蜗原型探究算法与硬件协同设计，证明该方法能充分利用基于脉冲的计算优势。
神经形态视觉与忆阻器的应用前景
文章探讨了神经形态工程在图像处理中的应用，包括视觉任务、异性扩散和神经形态视觉传感器。特别介绍了忆阻器在执行图像分割和实现人工视觉系统中的应用，并讨论了硬件加速器和异步信号传输协议。文章认为，随着复杂视觉任务能耗因大数据集而指数增长，基于脉冲的神经形态计算方法可能成为深度卷积神经网络的可行替代方案。
Q&A
神经形态计算相比传统计算在能效上有什么优势？
神经形态计算有望比传统的冯·诺依曼计算模式在能效上提升数个数量级，其目标是通过学习和模拟大脑功能来开发自适应、容错、低占用、快速、低能耗的智能系统。
Spiketrum 脉冲编码模型有什么作用？
Spiketrum 是一种神经脉冲编码模型，将时间变化的模拟信号（通常是听觉信号）转换为计算高效的时空脉冲模式，实现稀疏有效的编码方案，通过精确可控的脉冲速率，便于在各种听觉感知任务中训练脉冲神经网络。
NeuCASL 是什么？
NeuCASL 是一个使用 Python 构建的开源系统 CAD 框架，适用于神经形态逻辑设计、电路模拟、系统性能和可靠性评估。
混合信号神经形态芯片有什么特点？
混合信号神经形态芯片具有神经元和突触的模拟实现以及动作电位的数字传输，其固有并行性和高加速因子使得仿真设备比传统计算机具有更大优势。可配置性允许实现几乎任意的网络拓扑和使用广泛变化的神经元和突触参数，并通过校准程序降低计算噪声。集成开发环境使神经科学家无需先验知识即可操作。
忆阻器在神经形态视觉中有什么应用？
忆阻器可用于执行图像分割和实现人工视觉系统，探讨了计算机视觉进展可能直接受益于非易失性记忆器技术的案例。
基于 FPGA 的神经网络硬件架构能实现什么？
该架构使用神经工程框架（NEF）在 FPGA 上实现大规模神经网络，用于实时模式识别，不仅适用于手写字体识别，还可作为各种模式（如语音和图像）的极快速度的模式识别处理器，能够在每秒处理 512 万个数字。
