清华类脑计算模型登Nature子刊，受大脑启发的人工树突网络，实现高能效AI
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。
延伸解读
从复制神经元到模拟树突：类脑计算的范式转变
当前多数神经形态计算聚焦于复制神经元放电和突触学习，却将树突简化为传输线，忽略了其树状形态带来的时空处理能力。清华团队的Dendristor架构则直接模拟树突的分支结构、非线性整合和方向选择性，并引入人工静默突触，使系统能更高效地编码运动方向。这提示我们，仅模仿神经元放电可能不够，神经元的形态和稀疏连接同样是实现高能效智能的关键。
Dendristor如何工作：材料与器件层面的创新
Dendristor是一种多栅极晶体管，其表面涂覆离子掺杂溶胶-凝胶膜。薄膜中的掺杂离子可像生物树突中的离子一样移动，从而调节晶体管电流，反映树突膜电位变化。这种物理机制使器件能实现非线性树突整合和方向选择性。此外，人工静默突触仅在薄膜达到特定阈值时激活，增强了系统对移动视觉刺激方向的辨别力。该设计将材料特性与神经形态功能直接结合，为硬件实现树突计算提供了新路径。
能效优势与潜在应用方向
通过镜像树突神经元的稀疏连接，Dendristor网络在检测运动时所需神经元数量少于传统人工神经网络，从而降低功耗。与基于GPU的运动检测系统相比，基于类脑树突神经电路的系统因神经元更少而功耗更低。研究团队计划进一步扩展人工神经回路，应用于时间序列分析、听觉任务等多模态感知，并探索将稀疏和形态计算范式扩展到数字硬件上的经典ANN。这为可持续计算和边缘视觉感知提供了新思路。
局限与未来挑战：从视觉感知到通用智能
目前Dendristor主要针对视觉运动感知，尤其是二维和深度运动方向的重建。虽然展示了高能效和稀疏学习的潜力，但研究仍处于原型阶段，尚未验证其在更复杂AI任务中的通用性。团队计划模仿大脑早期发育阶段的神经连接，开发先进抑制连接以分类动态视觉信号，并拓展到听觉、时间序列等多模态任务。如何将这种形态计算范式扩展到数字硬件和经典ANN，仍是未来需要解决的工程挑战。
Q&A
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。
