第 29 节 类脑芯片的例子及最新发展（第1页）

DNN 型和 SNN 型类脑芯片，可以实现目前只有大型超级计算机才能实现的数百万个并行计算流。但是在类脑芯片上有效地实现神经突触，仍然是一个很大的挑战。

在过去 10 年中，美国和欧洲的神经形态芯片研发项目有不少属于大型政府资助计划，这些芯片依照以生物学为基础的原理运行，以提高性能并提高能效。例如，其中一些项目直接硬连接到单个电子神经元的许多输入上，一些项目使用诸如生物神经元之类的短异步电压脉冲进行通信。不过，大部分类脑芯片仍在使用传统的数字电路。

本节将介绍一些最早开发的类脑芯片：动态视觉传感器（Dynamic Vision Sensor，DVS），著名的大型架构 TrueNorth、Neurogrid、BrainScaleS、Loihi 和 SpiNNaker 芯片及 2019 年刚发布的 DYNAP-CNN 芯片。这些芯片采用了不同的特性来模拟 SNN，有的使用数字电路，有的采用了模拟电路。最后，还将介绍使用新的半导体器件和新的神经元模型来实现类脑芯片的新思路。

（1）动态视觉传感器（DVS）。神经形态工程的研究一开始，就开发出了基于 CMOS 脉冲的视觉传感器。瑞士苏黎世大学神经信息学研究所的托比亚斯·德布吕克（Tobias Delbrück）于 2008 年开发了一种非常成功的脉冲视网膜芯片，称为动态视觉传感器（DVS）。这种脉冲摄像头可以微秒级的精度跟踪运动点，是第一款基于脉冲和脉冲定时的新型图像传感器，不用图像「帧」的概念，而是微秒级「事件驱动」的像素处理。它在改善包括自动驾驶汽车在内的许多应用的性能方面具有巨大潜力。这款芯片现已纳入瑞士 iniVation 的产品线。

DVS 在很大程度上简化了任务，它把产生异步事件流作为输出，其中每个像素对像素上照明的时间变化进行编码。图 5.6 为用 DVS 追踪网球运动员动态的效果。可以看出，DVS 跟踪运动员的动态「事件」部分，身体运动的精细轨迹细节清晰可见 [91] ，显示出 DVS 在跟踪人体运动方面相较于传统视频技术的优势。DVS 的优点之一是，它以压缩方式对信息进行编码，仅在照明发生相关变化时才发送脉冲信号，从而从移动物体上消除了场景的静态背景特征；另一个优点是，该对象的所有精确时空信息都可以在 10 微秒级的脉冲时间内以一定精度保存
（本章节未完结，点击下一页翻页继续阅读）