类型b：
作者及机构
本文由Catherine D. Schuman（美国橡树岭国家实验室计算机科学与数学分部、田纳西大学电气工程与计算机科学系）领衔，合作作者包括Shruti R. Kulkarni、Maryam Parsa、J. Parker Mitchell、Prasanna Date和Bill Kay（均来自橡树岭国家实验室）。论文于2022年1月发表于《Nature Computational Science》，题为《Opportunities for neuromorphic computing algorithms and applications》。
主题与背景
本文是一篇关于神经形态计算（neuromorphic computing）算法与应用的前瞻性综述。随着摩尔定律（Moore’s law）和登纳德缩放（Dennard scaling）的终结，传统计算架构的性能提升面临瓶颈，而神经形态计算作为一种受生物大脑启发的非冯·诺依曼（non-von Neumann）架构，因其高并行性、低功耗和事件驱动（event-driven）等特性成为研究热点。本文系统梳理了神经形态计算的硬件特性、算法进展、应用场景及未来挑战，旨在推动该领域从硬件开发向算法与应用的拓展。
主要观点与论据
神经形态硬件的核心特性
神经形态计算机区别于传统冯·诺依曼架构的关键特征包括：
- 高度并行性：所有神经元和突触可同时运作，但单个计算单元（神经元/突触）的功能相对简单。
- 存算一体：处理与存储单元（神经元和突触）物理共存，避免了冯·诺依曼瓶颈（von Neumann bottleneck）和内存访问的高能耗问题。
- 事件驱动：仅在接收到脉冲（spike）时激活，时空稀疏性（temporal sparsity）显著提升能效。
- 随机性：支持神经元放电的随机噪声模拟，增强计算鲁棒性。
这些特性使其在能效上比传统计算机高数个数量级，尤其适合边缘计算（edge computing）和实时处理任务。
神经形态算法的两大类别
- 机器学习算法：
- 脉冲反向传播（spike-based quasi-backpropagation）：通过替代梯度（surrogate gradient）或平滑激活函数解决脉冲神经元不可微问题，但准确率仍低于传统人工神经网络（ANN）。
- 预训练模型映射：将深度神经网络（DNN）转换为脉冲神经网络（SNN），在MNIST、CIFAR-10等数据集上接近传统DNN精度，但受硬件精度限制可能损失性能。
- 储备池计算（reservoir computing）：利用随机连接的脉冲网络将输入映射到高维时空空间，适用于时序信号处理（如生物电信号分析）。
- 进化算法：通过遗传优化设计SNN结构或参数，适用于机器人控制等场景，但收敛速度较慢。
- 非机器学习算法：
- 图算法：利用神经形态硬件的图结构原生支持最短路径（shortest path）和随机游走（random walk）计算，在疾病传播建模中已有应用。
- NP难问题近似求解：如布尔可满足性问题（Boolean SAT）和二次无约束二值优化（QUBO），其性能可与量子计算机媲美。
当前挑战与未来方向
- 算法局限性：现有研究多集中于基准数据集（如MNIST），缺乏能充分体现神经形态时序优势的任务；反向传播类算法未充分利用SNN的时空特性。
- 硬件可用性：大型神经形态系统（如Intel Loihi、IBM TrueNorth）仅限云端访问，开源模拟器（如NEST、Brian）功能碎片化且扩展性不足。
- 编程抽象缺失：缺乏高级编程接口，非机器学习算法需手动设计神经元/突触参数，开发效率低。
- 异构计算集成：神经形态硬件需与传统主机协同，通信开销可能抵消其能效优势。
未来应用场景
- 边缘计算：自动驾驶、无人机、可穿戴设备等低功耗场景。
- AI加速器：作为手机、笔记本电脑的专用协处理器。
- 高性能计算：在图算法、微分方程求解和NP难问题中作为异构计算单元。
论文价值与意义
本文首次全面整合了神经形态计算的算法、硬件与应用生态，指出该领域需从“硬件优先”转向“全栈协同设计”（full-stack co-design），即算法、应用与材料/器件研发共同驱动硬件架构优化。其核心贡献在于：
1. 明确了神经形态计算在能效和并行性上的不可替代性；
2. 提出了多类算法（如进化训练、储备池计算）可能突破现有深度学习框架的局限；
3. 呼吁建立标准化基准测试和编程抽象以加速生态发展。
亮点
- 跨学科视角：融合计算机科学、神经科学和材料学，探讨了从器件到算法的全链条创新。
- 前瞻性建议：提出“挑战问题集”（challenge problem suite）替代单一基准，推动多样化应用开发。
- 技术批判性：指出当前SNN训练方法（如反向传播适配）可能束缚其潜力，需探索更贴近生物可塑性的算法。