神经形态计算与硬件神经网络综述
神经与进化计算
2017-05-22 v1
摘要
神经形态计算已逐渐指代各种受大脑启发的计算机、器件和模型，它们与普遍存在的冯·诺依曼计算机架构形成对比。这种受生物学启发的方法创造了高度连接的合成神经元和突触，可用于对神经科学理论进行建模以及解决具有挑战性的机器学习问题。该技术的前景在于创造类似大脑的学习和适应能力，但技术挑战是巨大的，从建立关于大脑如何工作的精确神经科学模型，到寻找材料和工程突破以构建支持这些模型的器件，再到创建编程框架使系统能够学习，最后到创建具有类脑能力的应用。在这项工作中，我们对神经形态计算的历史研究及其动机进行了全面综述。我们首先回顾了神经形态计算35年来的动机和驱动力，然后探讨了该领域的主要研究方向，我们将其定义为神经启发模型、算法与学习方法、硬件与器件、支撑系统，最后是应用。我们最后广泛讨论了在未来几年中需要解决的主要研究课题，以期实现神经形态计算的愿景。这项工作的目标是提供自该术语诞生以来神经形态计算领域研究的详尽综述，并通过揭示该领域中需要新研究的空白来激励进一步的工作。
引用
@article{arxiv.1705.06963,
title = {A Survey of Neuromorphic Computing and Neural Networks in Hardware},
author = {Catherine D. Schuman and Thomas E. Potok and Robert M. Patton and J. Douglas Birdwell and Mark E. Dean and Garrett S. Rose and James S. Plank},
journal= {arXiv preprint arXiv:1705.06963},
year = {2017}
}