清华研究团队盘点类脑计算芯片简史

文章链接：https://doi.org/10.1038/s41928-020-0435-7

图1. 神经启发式芯片发展路线

背景

近年来，随着人工智能技术的广泛应用，对于算力的需求呈现爆炸式增长。然而，传统的基于摩尔定律的芯片算力增长遇到了瓶颈，因此急需一种新的技术路径来突破当前的困局。为了克服现有硬件的局限性，同时要确保受大脑启发的计算技术取得最佳结果，一种可能的解决方案便是创建新的电子组件，以更好地反映人脑的结构。而神经形态计算芯片正是是专门为模仿人和其他动物的大脑神经结构的人工智能应用而设计的。

摘要

人工智能(AI)的快速发展要求尽快研发出专门为人工智能应用设计的领域专用硬件。神经启发计算芯片集成了一系列受神经生物学系统启发的功能，可以为人工智能计算工作提供一种高能效的解决方案。在此，我们回顾神经启发计算芯片的发展，包括人工神经网络芯片和尖峰神经网络芯片。我们提出了神经启发计算芯片基准测试的四个关键指标——计算密度、能源效率、计算精度和芯片内学习能力——并讨论了基于非易失性存储器的神经启发计算芯片从设备到算法级别的协同设计原则。我们还提供了一个未来电子设计自动化工具链，并提出了大规模神经启发计算芯片的发展路线图。

The rapid development of artificial intelligence (AI) demands the rapid development of domain-specific hardware specifically designed for AI applications. Neuro-inspired computing chips integrate a range of features inspired by neurobiological systems and could provide an energy-efficient approach to AI computing workloads. Here, we review the development of neuro-inspired computing chips, including artificial neural network chips and spiking neural network chips. We propose four key metrics for benchmarking neuro-inspired computing chips — computing density, energy efficiency, computing accuracy, and on-chip learning capability — and discuss co-design principles, from the device to the algorithm level, for neuro-inspired computing chips based on non-volatile memory. We also provide a future electronic design automation tool chain and propose a roadmap for the development of large-scale neuro-inspired computing chips.