虚拟神经元用于使用神经形态计算机对整数和有理数进行编码
大脑由执行计算的神经形态计算机建模。 它们非常节能，就像大脑一样。 CPU 和显卡的功耗在 70-250W 之间，而 IBM 的 TrueNorth 仅使用 65mW（比 CPU 或 GPU 低 4-5 个数量级）。 神经元和突触是神经形态计算中的结构和功能单元。 它们可以使用数字或模拟硬件来实现，也可以有不同的实现方式，例如设备和材料。 我们专注于由神经元和突触组成的尖峰系统。 硬件的尖峰神经形态实现包括英特尔的 Loihi5、SpiNNaker26。 TrueNorth3、DYNAPS8 和 BrainScales27。 这些特性对于神经形态计算机的能效至关重要。 我们将神经形态计算机定义为使用二进制值尖峰（也称为神经元）进行通信来模拟大脑的任何计算范例。
神经形态计算几乎完全基于尖峰神经网络 (SNN)，主要用于机器学习应用9。 近年来它已被用于非机器学习目的。 示例包括图算法、布尔代数和神经形态模拟器10,11,12。 研究人员已经证明神经形态计算是图灵完备的，即能够进行通用计算。 神经形态计算能够执行通用计算，同时使用更少数量级的功耗，这使其成为未来节能计算的关键部分。
SNN 用于加速机器学习任务。 我们仍然使用 CPU 和 GPU 来执行其他运算（例如算术或逻辑），因为神经形态方法不适用于这些操作。 这些通用函数对于在将数据传输到神经形态处理器之前对其进行预处理至关重要。 在当前的神经拟态工作流程中，数据传输占据了99%以上，其中涉及在CPU/GPU上对数据进行预处理，然后在神经拟态处理器上进行推理（见表7）。 这是一个非常低效的工作流程，可以通过在神经形态计算机上预处理数据来避免。 如果开发神经拟态方法来执行这些预处理功能，CPU/GPU 和神经拟态处理器之间的数据传输成本将大大降低。 这将使所有计算（预处理和推理）能够在部署在边缘的低功耗神经形态计算机上高效执行。
来源和详细信息：
https://www.nature.com/articles/s41598-023-35005-x