当前位置:首页 > 科研成果库

神经形态计算:让芯片学会打盹,而不是一直做算术

2026-11-17 07:28:15小研科研成果库9

凌晨两点,南京的实验室只剩空调声。我盯着功耗仪,一块GPU跑一个稀疏事件检测任务,功耗还是飙到几十瓦。风扇呼呼转,像在嘲笑我:你明明只是让几个像素有变化,为什么整块芯片都要醒着?

那一刻我有点烦。不是烦代码,是烦这套架构。冯·诺依曼那套东西,内存和计算分开,时钟一拍一拍地跑。数据在总线来回搬,搬一次,耗一次。大脑可不这么干。它没有全局时钟,没人喊“预备——跑”。几十亿神经元,谁有脉冲谁干活,剩下的在打盹。神经形态计算想学的,就是这件事。

它不追求算得快,它追求“没人说话时就闭嘴”

先把词拆开。神经形态计算,英文neuromorphic computing。morpho是形态。说白了,用硅电路去模仿神经系统的脉冲、突触、事件驱动。注意,不是做一个“数字大脑”出来。那是科幻。它更像一种电路设计哲学:计算和存储放在一起,让数据在本地变,别来回搬。

传统AI芯片,你给它一张图,它把每个像素乘权重、加偏置,一层层算。哪怕图里大部分是黑的,它也照算。神经形态硬件呢?它用脉冲神经网络,SNN。神经元有膜电位,输入脉冲来了,电位爬一点。爬到阈值,啪,发一个脉冲出去。没到阈值?就不发。不发就不耗多少能量。就这么简单。听起来像偷懒,对吧。可大脑就是靠这种偷懒,干出了我们。

神经形态计算脉冲神经网络膜电位阈值发放示意图神经形态计算脉冲神经网络膜电位阈值发放示意图

还有个关键:存算一体。传统架构里,权重存在DRAM,计算单元在另一边。每次推理都要把权重搬过来。搬砖比砌墙累。神经形态硬件把权重直接做在突触器件上,忆阻器、相变材料、铁电晶体管,或者干脆用SRAM近存计算。乘加就在阵列里发生。省掉搬运,能耗自然下来。

我踩过的坑:不是所有任务都适合它

刚接触时我也上头。觉得这东西一上,边缘设备功耗直接砍到毫瓦。后来发现,想得太美。SNN的稀疏性得靠事件撑起来。如果输入本身就是稠密的,每个时间步都噼里啪啦,脉冲多得像过年,省电优势立刻缩水。你让它跑ResNet那种密集卷积,它不一定比GPU香。甚至可能更麻烦。

还有个更烦人的:训练。ANN那套反向传播,成熟得一塌糊涂。SNN呢?脉冲不可导,得用替代梯度、时间反向传播,或者转译。转译吧,精度掉。直接训吧,工具链嫩。我试过把一个小检测网络转成SNN,调了两天,精度从92掉到85。当时真想摔键盘。后来想想,也正常。用脉冲编码时间信息,等于给网络加了一层“什么时候发”的维度。难,但有意思。

不过话说回来,神经形态计算不是要取代GPU。它更像协处理器。像当年GPU从图形卡变成通用计算卡,需要一套新编程模型。神经形态现在缺的就是这个。CUDA花了多少年?SNN的编译器、调试器、算子库,还在长身体。你让一个算法工程师上来就写脉冲时序,他大概率扭头就走。

神经形态计算类脑芯片存算一体突触阵列结构图神经形态计算类脑芯片存算一体突触阵列结构图

真正可能先落地的,是这些“低占空比”角落

真正可能先落地的,是这些“低占空比”角落真正可能先落地的,是这些“低占空比”角落

哪里低占空比?事件相机。这玩意儿不像普通相机每秒固定30帧。它每个像素独立,亮度变化才输出事件。输出的是地址事件流。神经形态芯片接这种流,简直是天生一对。无人机避障、高速目标追踪、工业质检,都有戏。因为大部分像素大部分时间不动。不动,就不发脉冲。芯片可以眯着。

还有助听器、植入式医疗。你总不能让患者耳朵里塞个风扇吧。癫痫监测、心率异常检测,信号稀疏,又要求实时。神经形态硬件在微瓦级别蹲着,等异常事件。有脉冲就处理,没有就睡。这比一直跑FFT省太多。

另一个方向是在线学习。STDP,脉冲时序依赖可塑性。突触前先发、突触后后发,权重增强;反过来,减弱。这规则很局部,不需要全局反向传播。机器人手臂在未知环境里抓东西,碰到障碍,突触自己调。听着像天方夜谭?但已经有研究在做了。慢,可方向诱人。

别神化它,也别急着唱衰

别神化它,也别急着唱衰别神化它,也别急着唱衰

常见误解有几个。其一,以为神经形态计算等于“复制人脑”。差得远。现在很多芯片的神经元模型,简化到只剩LIF。漏积分发放。连树突的非线性都没完全放进去。其二,以为它一定比传统芯片省电。不一定。省电的前提是稀疏、事件驱动、存算一体都吃满。如果任务稠密,或者你硬要用它跑Transformer,那功耗可能反超。其三,以为它不能做深度学习。其实可以混合。前端用SNN做事件筛选,后端用轻量ANN做分类。各干各的活。

风险也有。模拟电路有漂移,温度一变,权重就飘。忆阻器良率、耐久性,量产还在磨。编程模型碎片化,每家的神经元模型、编码方式、通信协议都不一样。你今天写的网络,明天换块板子,可能得重写。这很劝退。不过话说回来,早期GPU也这样。乱,是机会也是坑。

我现在对神经形态计算的态度,有点像对早期RISC-V。方向对,生态弱,但值得蹲。它不会明天就干掉谁。它会在一些奇怪的地方先冒头。比如一个永远不用换电池的传感器,一个能自己适应磨损的机械臂,一个在嘈杂环境里只对异常声音起反应的监听器。等这些点连成线,你回头看,可能会发现:哦,芯片终于学会打盹了。

返回列表

上一篇:量子机器学习:当叠加态撞上梯度下降

没有最新的文章了…