脉冲神经网络硬件实现与挑战：综述

神经形态计算自此成为学术界和工业界的主要研究领域。与冯·诺依曼机器不同，类脑处理器旨在拉近存储与计算单元的距离，以高效评估机器学习算法。近年来，脉冲神经网络（Spiking Neural Networks）——一类采用模拟神经元和突触运作原理的计算原语的认知算法——已成为深度学习的重要组成部分。它们有望提高神经网络的计算性能和效率，但最适合在能够支持其时序动态的硬件上运行。在本综述中，我们介绍了脉冲神经网络硬件实现的最新进展，以及从模型选择到训练机制的算法发展当前趋势。现有解决方案范围广泛；因此我们呈现总体框架，并逐例研究相关的特殊性。我们描述了在硬件层面利用这些事件驱动算法特性的策略，并讨论了其相关优势与挑战。