综述：连接生物神经与人工神经网络的神经形态器件：基础、进展与挑战 ...

随着近几年深度学习的迅速发展，人工智能成为了无论学术界还是互联网领域的一个重要的研究热点。然而，人类在认识世界和改造世界的过程中从自然界和生物特征汲取了大量的灵感和经验。追根溯源，人工智能的发展离不开脑科学的研究。历史上，神经科学和人工智能两个领域一直存在交叉，对生物脑更好的理解，将对智能机器的建造上起到及其重要的作用。

人工智能是模拟脑的一项主要应用，现在深度学习这种生物学简化的模型有它的优点，具有很好的数学解释性，可以在现有的计算机架构（冯诺依曼）上实现，但是同样有瓶颈，例如：计算代价高，不利于硬件实现等。尽管近年来深度学习和大数据的出现使得这种模型在一些任务上超越人类，但是对于人脑可以处理的复杂问题却无能为力，同时需要大量的计算资源和数据资源作为支撑。

相反人类大脑是一个极度优化的系统，它的工作耗能仅为25瓦特，神经元的数量却在10的11次方的数量级上，并且这其中的突触也达到了每个神经元有10000个。这样庞大的网络却有如此低的能耗，这是使得人类大脑在复杂问题的处理有绝对优势。但是如何通过硬件网络实现神经形态计算也是一个很现实的问题，现存的冯诺依曼架构实现大规模并行计算需要占用极大的计算内存以及高散热，要实现能够比拟人脑这种低能耗网络只能依赖于具有类似于人脑神经元的电子器件——神经形态器件。

随着人工智能研究的兴起，人们对使用新型神经形态设备进行脑启发式计算产生了广泛兴趣。 用于神经形态计算的各种新兴材料和设备的潜力吸引了广泛的研究努力，从而引导出了很多基于神经形态计算的图像识别、语音识别、时序信号处理任务。 展望未来，为了更好地模仿大脑的功能，需要重新认识大脑，更好地理解其相关基础知识、工作机制以及由此产生的行为，并将其与电子设备连接起来，用电子设备的输入输出特性模拟大脑行为。 清华大学唐建石等在本文中对生物和人工神经系统及其相关的关键机制进行了系统的概述，综述了神经形态设备的最新进展，更重要的是，特别突出了现有的挑战，有望为将来的研究方向提供启示。

As the research on artificial intelligence booms, there is broad interest in brain-inspired computing using novel neuromorphic devices. The potential of various emerging materials and devices for neuromorphic computing has attracted extensive research efforts, leading to a large number of publications. Going forward, in order to better emulate the brain’s functions, its relevant fundamentals, working mechanisms, and resultant behaviors need to be re-visited, better understood, and connected to electronics. A systematic overview of biological and artificial neural systems is given, along with their related critical mechanisms. Recent progress in neuromorphic devices is reviewed and, more importantly, the existing challenges are highlighted to hopefully shed light on future research directions.