4、神经形态系统设计基础：从编码到记忆的全面解析

神经形态系统设计基础：从编码到记忆的全面解析

1. 引言

脉冲神经网络（SNN）因其固有的并行性，在处理速度和低功耗方面展现出巨大潜力。具有多个神经核的专用硬件架构能够充分利用神经网络内部的并行性，为嵌入式神经形态设备和控制应用提供了理想的解决方案。同时，一些模拟器还提供硬件加速功能，进一步提升了性能。

现代人工神经网络通常具有多层结构，形成了“深度神经网络（DNN）”。在图像识别和分类网络中，神经网络层常为二维结构，整个网络则呈现三维结构。将三维结构映射到二维电路时，往往会导致层间出现多条长导线或拥塞问题。

2. 神经编码方案

2.1 编码的基本原理

脉冲神经元通过产生称为动作电位的电脉冲，在长距离上快速传播信号。感觉神经元会根据外部感官刺激（如光、声等），以不同的时间模式发射动作电位序列（即脉冲序列）来改变其活动。在大脑皮层的小区域内，每毫秒会发射数千个脉冲，这就引出了如何将这些脉冲编码为信息的问题。

此外，一些特殊神经元可以通过所谓的分级电位传递更多信息。不过，与脉冲神经元的动作电位不同，分级电位神经元的信号衰减更快，因此需要更高的神经元密度和更短的神经元间距。分级电位神经元的优势在于其信息速率更高，能够编码比脉冲神经元更多的状态。

2.2 常见编码方案

• 速率编码 ：也称为频率编码，是一种简单传统的编码方案。它认为随着刺激强度的增加，动作电位的速率也会增加。由于给定刺激产生的动作电位序列在每次试验中都会有所不同，因此使用 firing 率来解码大脑活动，而不是特定的脉冲序列。这种编码方式虽然效率不高，但由于对脉冲