24、神经形态计算：原理、技术与应用探索

神经形态计算：原理、技术与应用探索

1. 脉冲神经网络（SNN）模型

脉冲神经网络（SNN）模型因事件驱动特性和更高的能源效率而受到广泛关注。在SNN中，训练通常先在传统神经网络中完成，然后将结果适配到脉冲神经形态实现中。基于传统网络实现，衍生出了多种SNN模型，具体如下：
- 脉冲前馈网络：常用于低级感官系统。
- 脉冲递归网络：具有丰富的动态性和高计算能力，用于研究联想记忆映射。
- 脉冲深度神经网络
- 脉冲深度信念网络
- 脉冲Hebbian系统
- 脉冲Hopfield或联想记忆网络
- 脉冲赢家通吃网络
- 脉冲概率网络
- 脉冲随机神经网络
- 中央模式发生器：用于生成振荡运动，在机器人运动中应用广泛。

2. 学习算法

学习算法在神经形态计算中起着至关重要的作用，这是传统计算系统所缺乏的。学习越准确、快速，系统得出解决方案的速度就越快。最佳的学习算法需要考虑网络拓扑、模型和网络特性。其选择还取决于训练或学习是片外还是片上进行，以及算法是在线无监督、离线有监督还是两者兼有。大多数学习算法可分为有监督和无监督两类，具体如下：

2.1 有监督学习算法

• 反向传播算法 ：最原始的有监督算法，可应用于前馈、RNN、SNN和卷积神经网络等多种网络模型。基于反向传播的学习方法有离线、在线、基于硬件、基于梯度下降的优化和芯片在环等。但该算法面临两个主要挑战：对神经元模型类型和网络拓扑的限制，以及硬件实现成本较高。
• 其他流行模型