中国类脑计算技术行业现状及发展前景分析

中国类脑计算技术行业现状及发展前景分析

类脑计算是指利用数字电路、模拟电路、数模混合电路或新器件来仿真生物神经元以及神经元间的突触连接，进而利用超大规模集成电路(Very Large Scale Integrated，VLSI)系统来模仿神经系统中的神经生物学结构。和现有冯诺伊曼体系结构 计算与存储分离的特点相对，类脑计算中的神经元结构既有计算能力，也有存储能力。类脑计算的这种特点从根本上消除了冯诺伊曼体系结构的“存储墙”问题。通过对类脑计算进行研究，能够更好地理解脑计算模型，为实现类脑智能提供路径。

SNN也被称为第三代神经网络，是人工智能领域机器学习算法的一种，是计算机科学与生物神经科学交叉而成的新兴学科。相比于传统的ANN，如各种深度学习网络，SNN实现了更高级的生物神经元模拟水平，更容易模拟人脑低功耗高性能的处理方式，是信息技术向智能化发展的重点研究方向。与ANN相比，SNN有诸多优良特性，在实现低功耗、高性能的智能系统上潜力巨大。类脑计算研究涉及的领域范围广泛，包括材料科学、神经科学、电气工程、计算机工程和计算机科学等。材料科学家研究、制造和表征可用于类脑器件的新材料，重点是展示与生物神经系统相似特性的材料。神经科学家提供可能在类脑计算意义上有用的新知识，并利用类脑计算系统来模拟和研究生物神经系统。电子和计算机工程师利用模拟电路、数字电路、数模混合电路和器件来构造系统，模拟神经系统的运行过程，开发由生物启发的类脑计算系统。类脑计算系统的研究涉及到类脑处理器微体系结构技术、体系结构技术、类脑处理器配套的软件工具链和基于脉冲神经网络的算法等研究领域。在现阶段的社会发展过程中计算机科学技术在社会中的应用具有极大的社会现实含义，不仅其在加速社会经济的道路上起到了积极的作用。计算机技术在发展的同时带动经济社会的进步。由于传统的计算机科学没有相关的技术信息支撑，当代的发展方向是积极向前的、相互融合的。不过由于当代社会信息的共享性还有待于提高到新的阶段，-些方面的信息受到一定的局限和垄断性。伴随着越来越普遍的计算机科学在全世界范围内的迅猛发展，信息将可以被方便快捷的进行传播，有理由相信计算机技术将会带动社会经济更好发展，其对经济的发展将起到积极有效的作用。

根据中研普华研究报告《2021-2025年国内外类脑计算技术发展研究及趋势预测报告》统计分析显示：

一、神经形态运算平台

类脑运算平台或者类脑芯片， 是受到生物学脑工作机制启发开发的专用于为SNN提供计算的硬件系统。制作类脑芯片最具有挑战性的是如何把不计其数spiking 神经元和突触放进一个小小的芯片里并同时让他们的链接结构是可调整的。

最初，类脑芯片仅由科研学术机构进行探索。 由于研究人员已经展示出这些出色的类似于大脑的计算模型的巨大潜力，因此许多大公司已开始参与类脑芯片的开发。

IBM在2014年开发了TrueNorth芯片，它是美国国防高级研究计划局SyNAPSE开发计划的一部分。 单个TruNorth芯片包含4096个计算核心，可以实现神经突触和神经元排列的动态映射。 每个内核最多可将1024个轴突电路用于输入连接，从而实现256个IF神经元，这些神经元组织为静态随机存取存储器。 IBM TrueNorth系统的一个吸引人的功能是，单个芯片由54亿个晶体管组成，仅消耗70mW的功率密度，仅占传统计算单元的1/10000。

SpiNNaker NM平台是由曼彻斯特大学的研究人员开发的，曼彻斯特大学的研究人员是由欧盟资助的“人脑计划” (Eupropean HBP)的一部分。 SpiNNaker为SNN的硬件实现提供ASIC解决方案。它利用多个ARM内核和FPGA来配置硬件和PyNN软件API，以实现平台的可扩展性。 ARM处理器使该平台能够以仅1毫秒的仿真时间步长，以生物逼真的连通性配置数十亿个脉冲神经元。此外，第二代平台SpiNNaker2仍在开发中，它可以使用1000万个处理器来模拟更大，更复杂的SNN。除SpiNNaker之外，BrainScaleS 也是HBP项目的另一个类脑计算平台。 BrainScaleS是使用晶圆级集成技术开发的混合信号神经形态芯片，该芯片允许利用4000万个突触和多达18万个神经元。正在设计下一代BarianScaleS，并将其命名为BrianScaleS-2，它能够使用更复杂的神经元模型，同时支持非线性突触和定制结构的神经元。

SpiNNaker 平台提供SNN的云仿真和计算平台， 这就意味着如果你想试试自己的SNN在硬件上效果如何的话。你可以去SpiNNaker 云平台上 上传自己的代码，结果会由云平台返回， 前提是你的SNN需要是用PyNN构建的。

斯坦福大学在类脑领域贡献了两个类脑硬件，分别是Neurogrid和Braindrop。 Neurogrid 中的神经核由256x256制成的CMOS阵列构成，该阵列可实现SNN的混合模数实现。 Neurogrid能够以数百万个神经元和数十亿个突触的能力提供生物学上合理的计算。 像Neurogrid一样的Braindrop是一个混合信号NM处理器，但抽象程度很高。 Braindrop采用28纳米FDSOI工艺进行设计，并将4096个尖峰神经元集成在单个芯片上，该芯片的神经元容量有限，无法大规模实施SNN。

英特尔Loihi 类脑芯片是英特尔最近宣布的数字神经计算平台。 Loihi最吸引人的特点是芯片在线学习的潜力。 Loihi拥有一个特殊的可编程微代码引擎，可以即时进行SNN培训。 Loihi具有3个独特的Lakemont NM核心，专门设计用于协助高级学习规则。 一个Loihi芯片中总共有128个NM内核，能够实现130K LIF神经元和130M突触。 Loihi系统的最大大小可支持多达16个芯片的4096个片上内核。

Brainchip公司开发了名为Akida神经形态计算平台，该平台可以使用一个NSoC有效地实现120万个神经元和100亿个突触。 该平台具有多个板载处理器，包括基于事件的处理，数字处理，存储器，输入/输出接口和多芯片扩展的功能。

图表：各类芯片汇总

资料来源：中研普华产业研究院整理

除了这些类脑芯片外，仍有许多新兴的类脑芯片在SNN计算中显示出巨大的潜力。 例如浙江大学的达尔文芯片，其目标是嵌入式低功耗应用。 苏黎世大学研究人员开发的DYNAP-SEL结合了异步数字逻辑和模拟电路，以实现模拟SNN实现。 清华大学的研究人员成功设计了混合型天机芯片 ，该混合型既可以实现常规神经网络又可以实现SNN。

二、神经形态传感器

动态视觉传感器(Dynamic Vison Sensor)

传统的视觉传感器的经典例子是数码相机，它以预定的帧频重复刷新其整个像素值阵列。但是，使用数码相机具有动态运动识别的三个缺点。首先，数码相机通常以预定义的帧采样速率(通常范围为每秒25-50帧)运行，这限制了观察到的活动的时间分辨率。其次，连续的帧和每个帧中的冗余像素浪费了大量的存储资源和计算。第三，传统图像传感器的动态范围受到其曝光时间和集成能力的限制。大多数相机会遭受饱和线性响应，动态范围限制在60-70dB，其中自然场景的光线可以达到动态范围的约140dB。动态视觉传感器(DVS)提供了解决这些问题的方法。使用AER数据形式(Address evnet representation)的DVS是基于人类视觉系统的事件驱动技术。基于事件的传感器在动态场景识别任务中的优势在于，当场景发生很大变化时，它可以提供非常高的时间分辨率，这只能通过高速数码相机来匹配，而这通常需要大功率和大量电量，和计算资源。

动态音频传感器(Dynamic Audio Sensor)

就像DVS模仿人类视觉系统一样，动态音频传感器的工作机制也受到人类听觉系统中的感觉器官的启发。 DAS是异步事件驱动的人工耳蜗，可接收立体声音频输入。 DAS使用麦克风前置放大器和64个双耳声道，为神经形态音频感应设定了基准。 DAS集成了本地数模转换器(DAC)，以允许修改每个通道中的质量因数。 通过级联的二阶模拟部分来模拟耳蜗的功能，这些模拟部分包括半波整流器，频率调制器，数模转换器，服务器放大器和缓冲器。

下图中演示了双耳DAS语音输出的示例。 图展示了DAS对语音信号的响应，其中绿色和红色分别对应于左采样通道和右采样通道，每个点都是一个采集事件。 DAS的线性调频响应如图所示，输入信号的动态频率变化范围为30Hz至10kHz。

三、SNN仿真软件

尽管SNN具有许多优势，但是在模拟尖峰神经元方面的计算问题还是比较大的。 在某些情况下，像IZ神经元模型一样，需要对生物物理峰值神经元进行详细的差分表示。 另一方面，在实际应用方面，不需要现实地重建生物突波产生机理的简化神经元模型(比如IF神经元模型)。 SNN的仿真策略可以分为两个系列：同步或异步。 同步算法会在每个时间步更新所有神经元，这比异步或“事件驱动”算法会导致更高的计算资源。 异步方法仅在神经元接收或发出脉冲时更新神经元状态，就像DVS传感器的工作范式一样。

图表：SNN仿真软件汇总

资料来源：中研普华产业研究院整理

与ANN中的统一神经网络框架(例如Tensorflow 和Pytorch)不同，SNN模型和SNN的训练方法没有得到广泛一致的统一化。 模拟SNN的方法仍然是多种多样且客观的。 现阶段，设计SNN的过程不仅考虑了网络本身的可行性，而且还可以扩展到诸如生物学上的合理性，计算成本和学习机制之类的功能。 为了全面回顾SNN的软件实现。

类脑运算虽然仍处于科研阶段， 但各界大牛的应用示例层出不穷。 SNN的优势在个人看法而言， 体现在 如果一个系统同时具有传感器，芯片，和强大的SNN算法，它的功耗和运行速度是传统ANN,DNN所不能匹敌的。 但就现有的学习算法而言， SNN在和DNN对比上对各类任务的表现(比如识别准确率)还差强人意。

Diehl 在2015年paper “Unsupervised learning of digit recognition using spike-timing-dependent plasticity” 中实现了STDP和侧面抑制结合的WTA学习方法， SNN通过非监督式的学习方法可以在MNIST手写数字识别的数据库上达到95% 的准确率。

2017年的CVPR上， TrueNorth团队在TrueNorth芯片上实现了实时的动态手势识别。虽然此方法是基于传统深度学习的模型，但整个系统的功耗大概只有200mW和105ms的延迟(1秒10帧)。

清华大学天机芯片团队，2019年Nature上发表了使用混合神经网络驱动自动驾驶自行车的例子。这里包涵了传统ANN和SNN的信号处理融合。

想要了解更多国内外类脑计算技术行业具体详情分析，可以点击查看中研普华研究报告《2021-2025年国内外类脑计算技术发展研究及趋势预测报告》