第20章 §03 · 神经形态计算 · 讲解稿¶

承接: Ch20 §02 量子 → §03 神经形态篇幅: ~3500 字

一 · 一句话总览¶

神经形态 = 模拟生物神经元的硬件。事件驱动 + 低功耗 + 时序友好。SpiNNaker / Loihi / Akida 三大芯片 + SNN (脉冲神经网络), 让边缘 AI 功耗降低 10-100 倍。

二 · 为什么需要神经形态¶

2.1 传统瓶颈¶

冯诺依曼瓶颈: CPU/GPU 与内存分离
功耗: GPT-4 训练 1 GWh (≈ 1000 户家庭年用电)
实时性: 边缘 AI 需 < 1ms 响应

2.2 神经形态优势¶

维度	传统	神经形态
架构	数字 + 冯诺依曼	模拟 + 事件驱动
功耗	100-700W	0.1-10W
延迟	毫秒	微秒
稀疏	不友好	天然
学习	离线训练	在线 + STDP

三 · 脉冲神经网络 (SNN)¶

3.1 第三代神经网络¶

代	模型	信息载体
1	Perceptron	二进制
2	CNN/RNN	连续值
3	SNN	脉冲 (spike)

3.2 LIF 模型¶

Leaky Integrate-and-Fire:

du/dt = -(u - u_rest) / τ + I(t)
当 u > u_threshold → fire spike, u = u_reset

import torch
import torch.nn as nn

class LIFNeuron(nn.Module):
    def __init__(self, tau=20.0, v_threshold=1.0):
        super().__init__()
        self.tau = tau
        self.v_threshold = v_threshold
        self.v = None

    def forward(self, I):
        if self.v is None:
            self.v = torch.zeros_like(I)
        self.v = self.v + (I - self.v) / self.tau
        spike = (self.v >= self.v_threshold).float()
        self.v = self.v * (1 - spike)
        return spike

3.3 STDP 学习¶

Spike-Timing-Dependent Plasticity: - 前突触脉冲先于后突触 → 权重增加 - 后突触先于前突触 → 权重减少 - 生物可信

3.4 SNN 编码¶

频率编码: 脉冲数 = 信息
时序编码: 脉冲时间 = 信息
群体编码: 多神经元组合

四 · 主要神经形态芯片¶

4.1 Intel Loihi¶

Loihi 2 (2021): - 128K neurons / chip - 120M synapses - 异步 + 事件驱动 - 编程: Lava / NxSDK

4.2 Manchester SpiNNaker¶

SpiNNaker 2: - 152 ARM cores - 1M 神经元 - 百万核级 BrainScaleS - 编程: PyNN / sPyNNaker

4.3 IBM TrueNorth¶

5.4 billion transistors
1M neurons / 256M synapses
70 mW 功耗

4.4 BrainChip Akida¶

边缘 NPU
1.2M neurons
on-device learning
商业化最成熟

4.5 国内¶

清华天机 (Tianjic) (2019): 异构融合
浙大达尔文 (Darwin)
时识智能 (SynSense): DYNAP-CNN

五 · 软件栈¶

5.1 Nengo / NengoDL¶

Python SNN 模拟
跨硬件后端 (Loihi / SpiNNaker / CPU)

5.2 Lava (Intel)¶

Loihi 官方框架
magma + lava

5.3 snnTorch / Norse¶

PyTorch 风格
学术研究主流

5.4 编程示例 (snntorch)¶

import snntorch as snn
from snntorch import surrogate

beta = 0.5
lif = snn.Leaky(beta=beta, spike_grad=surrogate.fast_sigmoid())

六 · 应用场景¶

6.1 边缘 AI¶

智能摄像头 (事件触发)
智能音箱 (语音唤醒, < 1mW)
可穿戴设备 (心率 / 步态)

6.2 时序信号¶

EEG / ECG 分析
音频事件检测
振动监测 (工业)

6.3 机器人感知¶

事件相机 (DVS)
SLAM
触觉

七 · 与传统 ANN 桥接¶

7.1 ANN → SNN 转换¶

训练 ANN → 转 SNN (主流)
准确率损失 < 1%
代表: Spiking-YOLO

7.2 直接训练 SNN¶

BPTT 改造
surrogate gradient
代表: snnTorch

八 · 一句话总结¶

神经形态 = 生物启发 + 低功耗 + 时序。SNN + Loihi/SpiNNaker + Akida 让边缘 AI 功耗降 10-100×。未来 5 年: 智能音箱 / 可穿戴 / 工业传感 大规模商用。10-20 年: 通用 AI 协处理器。