随着人工智能（AI）技术的快速发展，人工神经网络（Artificial Neural Networks, ANNs）在多个领域取得了显著成就。然而，传统的神经网络训练方法——尤其是反向传播算法（Backpropagation）——在硬件实现上存在诸多挑战。反向传播算法虽然在软件中高效，但在硬件中实现时，要求计算路径可逆、每个神经元需要大量内存，并且需要计算激活函数的导数，这些条件在硬件中难以满足。此外，传统的互补金属氧化物半导体（CMOS）硬件在训练和部署这些算法时，能源消耗巨大，限制了其扩展性和广泛应用。 为了解决这些问题，研究人员开始探索脑启发（brain-inspired）的硬件解决方案，尤其是模拟神经形态硬件（analog neuromorphic hardware）。这类硬件能够以...

新型阻变存储器驱动的零样本多模态事件学习系统：硬件-软件协同设计的研究报告 学术背景 人类大脑是一种复杂的脉冲神经网络（Spiking Neural Network, SNN），能够以极低的功耗在多模态信号中进行零样本学习（Zero-shot Learning），即通过泛化已有知识来处理新任务。然而，将这种能力复制到神经形态硬件中面临着硬件和软件的双重挑战。硬件方面，摩尔定律的放缓以及冯·诺依曼瓶颈（von Neumann bottleneck）限制了传统数字计算机的效率；软件方面，脉冲神经网络的训练复杂度极高。为了解决这些问题，研究人员提出了一种硬件-软件协同设计的方法，结合了阻变存储器（Resistive Memory）和人工神经网络（Artificial Neural Network,...

在神经形态硬件上使用类脑计算原理的学习逆动力学 背景与研究动机 在现代机器人领域中，实现自主人工代理的低延迟神经形态处理系统具有巨大潜力。但目前硬件基础的可变性和低精度对其稳定和可靠性能的实现提出了严峻挑战。为了应对这些挑战，研究者们采用基于大脑启发的计算原理（computational primitives），如三元峰时间依赖可塑性（triplet spike-timing dependent plasticity）、基于基底神经节的去抑制机制以及合作竞争网络，并将这些技术应用于运动控制。 本研究通过展示一个使用混合信号神经形态处理器实现的硬件脉冲神经网络（spiking neural network，SNN）在线学习两关节机器人臂的逆运动学的示例，证明了这一方法的可行性。最终系统能够使用...