47、基于事件的神经形态系统与认知探索

基于事件的神经形态系统与认知探索

1. 基于事件的神经形态系统的网络稳定机制

在基于事件的神经形态系统中，对所有兴奋性神经元施加共同抑制是一种重要的调节方式。当抑制足够强时，它能阻止激活的再生性共同增加。若反馈不稳定，部分神经元激活增加，而另一些则减少。当某个激活逐渐降低的神经元低于阈值时，它就不再参与活跃电路，有效权重矩阵也会随之改变，移除该沉默神经元的相互作用。这个修剪过程持续进行，直到网络选出一组神经元（即“允许集”），其有效权重矩阵稳定，使网络收敛到稳态。

值得注意的是，在网络的瞬态行为中，正反馈可能不稳定（反馈增益大于 1），但网络可以利用这种不稳定性来探索活跃神经元的新分区，直至找到与输入模式相符的合适（稳定）分区。循环皮质电路的计算有趣特性就在于对正反馈强度的这种调制。

2. 迈向神经形态认知的挑战与现状

从理解计算到实现复杂功能并非易事，就像从汇编语言发展到面向对象编码，历经了近半个世纪、投入数万亿美元，还有巨大的工业和商业激励。神经形态计算到神经形态认知的发展也是如此。

一个系统具备认知能力，意味着它能够创建、存储和处理关于世界及自身的知识，并利用这些知识进行具有经济优势的行为。目前，科学实现的人工认知主要基于传统数字计算机对世界的符号编码处理，采用非实时、串行、同步的电子处理方式。神经形态工程师构建了一种不同风格的处理系统，具有实时性、高度分布式和异步事件驱动的特点。然而，即使是最先进的 VLSI 神经形态系统，目前也倾向于反应式，缺乏认知能力。外界常认为用几行传统软件代码就能实现相同功能，但从长远来看，这并非关键。

神经形态技术存在不足，部分原因在于该领域的整体发展阶段。前期主要致力于自下而上构建类神经元硬