💡
原文中文，约3200字，阅读约需8分钟。
📝
内容提要
清华大学类脑计算研究中心的施路平团队开发了全球首款类脑互补视觉芯片「天眸芯」，并推出了新的神经形态计算架构「Dendristor」。该架构模拟了树突的树状结构和时空处理特性，提供了高能效的视觉感知能力。研究团队还介绍了一种人工静默突触，提高了系统辨别移动视觉刺激方向的能力。这种新架构超越了复制生物神经元的功能，可实现显著的能源效率。未来研究将进一步扩展人工神经回路，解决其他人工智能任务。
🎯
关键要点
- 清华大学类脑计算研究中心施路平团队开发了全球首款类脑互补视觉芯片「天眸芯」。
- 推出了新的神经形态计算架构「Dendristor」，模拟树突的结构和时空处理特性。
- Dendristor 提供高能效的视觉感知能力，超越了复制生物神经元的功能。
- 研究团队还介绍了一种人工静默突触，提高了系统辨别移动视觉刺激方向的能力。
- 该研究以《Neuromorphic dendritic network computation with silent synapses for visual motion perception》为题，发表在《Nature Electronics》上。
- Dendristor 模型通过模拟树突的形态和功能，提升了稀疏神经网络的学习效率。
- 新架构展示了神经元及其突触连接形态在动态信号处理中的重要性。
- 研究团队计划扩展人工神经回路，解决其他人工智能任务，如时间序列分析和听觉任务。
❓
延伸问答
Dendristor架构的主要特点是什么？
Dendristor架构模拟了树突的结构和时空处理特性，提供高能效的视觉感知能力，超越了传统生物神经元的功能。
清华大学的研究团队在这项研究中取得了哪些创新？
研究团队开发了类脑互补视觉芯片「天眸芯」和人工静默突触，提升了系统对移动视觉刺激方向的辨别能力。
Dendristor如何提高神经网络的学习效率？
Dendristor通过模拟树突的形态和功能，增强了稀疏神经网络的学习效率，允许对信号的序列和方向进行编码。
这项研究的未来方向是什么？
未来研究将扩展人工神经回路，解决其他人工智能任务，如时间序列分析和听觉任务，并开发多模态电路。
Dendristor与传统人工神经网络的区别是什么？
Dendristor处理信息的方式与生物神经元相似，而传统人工神经网络通常采用批处理方式，效率较低。
人工静默突触在Dendristor中起什么作用？
人工静默突触提高了系统对信号方向的敏感性，优化了视觉感知过程。
➡️
