神经形态计算通过稀疏、事件驱动的运算、以存储为中心的架构及异步通信方式，模拟生物大脑的工作机制。印度研究人员认为，该技术有望显著降低人工智能系统的能耗，同时推动新型硬件设计的发展。
在与《电子工程时报》的独家访谈中，喀拉拉邦信息与管理技术研究所（IIITM-K）所长亚历克斯·P·詹姆斯（Alex P. James）表示：“当前我们面临海量数据处理需求，若能耗持续随数据量线性增长，这种模式将难以为继。”
研究人员常以人脑为参照标准。“人类大脑仅需约20瓦功率即可完成诸多智能任务，这可视为神经形态系统的重要标杆。”詹姆斯指出。
数十年来，半导体性能提升主要依赖晶体管尺寸缩小与处理器复杂度增加，这一策略推动了CPU、GPU及AI加速器的持续演进。然而，面对AI日益增长的能耗挑战，传统路径或已触及瓶颈。
由于神经科学仍在发展中，研究者正探索多种架构路径，尚未形成统一方案。“我们尚未完全理解大脑的运作机制，”詹姆斯强调，“尽管对其生理结构已有认知，但功能层面的全面理解仍待深入。”
脉冲信号为何关键
脉冲神经网络（SNN）是神经形态研究中的核心概念之一。与传统深度神经网络持续执行乘加（MAC）运算不同，脉冲系统仅在神经元产生事件时进行通信。
“大脑并非始终满负荷运转，”詹姆斯解释道，“特定任务中大量神经元处于静默状态，从而大幅节省能量——并非所有部件都需时刻开启。”
此前，《电子工程时报》曾采访印度理工学院孟买分校（IIT Bombay）乌代扬·甘古利（Udayan Ganguly）教授团队。该团队通过复用量子隧穿电流——一种传统芯片设计中力求抑制的漏电现象——成功研制出超低功耗神经元。
不同于依赖全局时钟的数字处理器，神经形态系统采用异步运行方式，信息编码于脉冲的时间与模式之中。人工神经元遵循相似生物学原理：输入信号逐步填充电容，直至电压越过阈值触发脉冲，随后系统复位。其电子实现通常包含电容、电流源、漏电阻及阈值检测电路。
甘古利团队并未采用常规晶体管工作模式，而是转向量子隧穿电流。“在深度关断状态下，量子隧穿电流依然存在，”他介绍道，“我们将此漏电流作为神经元的充电源，使其缓慢为电容充电。”
该设计基于格罗方德（GlobalFoundries）45纳米CMOS工艺制造，验证了其可在成熟制程中落地实施。
团队称，该神经元功耗较同类方案降低约1000倍，且工艺、电压与温度波动性比同等低功耗亚阈值设计低约5倍。甘古利指出，该机制还提升了系统鲁棒性。
基于脉冲神经元的语音识别系统
为验证理念可扩展至完整系统，甘古利团队构建了一套完整的神经形态语音识别系统，融合器件物理、电路设计、算法与硬件实现。
该演示应对了传统模式识别系统共有的难题：如何记忆随时间到达的信息。“系统需具备短期记忆能力，以保存先前声音片段，待完整序列接收后识别整体模式。”甘古利解释道。
团队采用液态机（Liquid-State Machine），即一种循环式SNN，天然具备时序信息捕获能力。
“其原理类似水滴入水面激起的涟漪，”甘古利比喻道，“涟漪逐渐消散，却短暂保留了事件的记忆。”
语音信号被转换为脉冲序列，循环连接则保留足够信息以完成整词分类。与多数需多级处理的深度学习模型不同，液态机仅用两层即可实现识别。
在标准基准数据集测试中，该系统仅使用约100个神经元即达到约99%的分类准确率，证明小型脉冲网络亦能胜任实用AI任务。甘古利补充称，同一网络还可适配视觉等其他应用。
团队同步完成了硬件流片，实现端到端信号链路。
“格罗方德通过其大学合作计划为我们提供了免费流片机会，我们成为印度首家参与该项目的高校。”甘古利表示。
整套系统分为三阶段：“第一阶段实现滤波与人工耳功能；第二阶段为循环神经网络；第三阶段执行分类。”
芯片内循环神经网络含36个神经元，可对输入脉冲序列生成输出脉冲模式。
在“是/否”或“开始/停止”等二分类语音识别任务中，整套硬件系统错误率低于2%。
“我们最初关注数据中心能耗问题，”甘古利指出，“现代处理器产热显著，而人脑却不会因此明显升温。”
所制神经元工作频率约100 kHz，面积仅约40 µm²，待机功耗2.70皮瓦（pW），单次脉冲能耗约8飞焦（fJ），接近人脑水平。
存储成为计算核心
SNN并非唯一神经形态架构。詹姆斯提及细胞神经网络、分层时序记忆系统及其他仿生模型，各侧重不同大脑特性，如鲁棒性与容错能力。
另一方向聚焦存储本身而非神经元建模。班加罗尔印度科学研究所（IISc）由斯里托什·戈斯瓦米（Sreetosh Goswami）与纳瓦坎塔·巴特（Navakanta Bhat）教授领导的团队，近期开发出基于钌化合物的分子忆阻器，实现14位模拟分辨率与4.10 TOPS/W能效，专为存内计算设计——即直接在存储阵列内部执行矩阵运算，避免频繁在存储与处理器间搬运数据。
詹姆斯认为，未来AI硬件或将减少对算术单元依赖，转而强化存储功能。他指出，模拟式、以存储为中心的架构可存储可编程电导值而非二进制状态——权重直接编码于器件中，使乘加运算自然发生于交叉阵列内。
“数字系统中一次32位乘法可能需数百个逻辑门，”詹姆斯举例，“而相同操作仅需少量存储器件即可完成。”
IISc的研究遵循同一原理：分子忆阻器不存储二进制值，而是以模拟电导状态表征神经网络权重。当输入电压施加于交叉阵列时，乘法通过欧姆定律实现，累加则依据基尔霍夫电流定律，从而并行执行数千次MAC运算。
此类架构显著缩减芯片面积与能耗，但也带来模数转换（ADC）、精度控制与参数波动等新挑战。
戈斯瓦米与巴特通过分子级开关机制优化精度：区别于依赖随机缺陷形成的多数阻变存储器，该钌基器件采用确定性分子切换过程，实现跨越四个数量级的线性、对称电导更新。
稀疏性同样发挥关键作用。“在脉冲系统中，信息以0与1表示，”詹姆斯解释道，“若某输入为0，则乘积必为0。”静默神经元可被跳过，几乎不消耗能量，有效降低计算开销。
IISc团队目前正联合一家由纳米科学与工程中心孵化的初创企业，基于台积电22纳米工艺开发混合信号AI推理加速器原型。该设计将采用交叉阵列实现存内计算，并融合模拟计算与数字控制逻辑。
商业化成败取决于应用场景
尽管研究已持续数十年，神经形态计算尚未实现大规模商业落地。詹姆斯认为，难点不仅在于技术本身，更在于清晰呈现商业价值。
“任何技术从构想到市场，需科学、工程与商业三者协同，”他强调，“其中商业环节尤为关键，因其紧密关联具体应用场景。”
研究者首先须证明神经形态架构在真实问题中优于传统硬件。“每种架构均需在实际应用中提供明确优势的原理验证，”詹姆斯指出，“此后工程化才能将其转化为可量产产品。”
他提醒道，仿生算法未必自动对应高效芯片实现。部分算法适配模拟/混合信号硬件，另一些则更适合存内计算或全新器件技术。“我们并非锁定单一硬件平台，”他表示，“而是持续探索并甄别最高效的实现路径。”
最终，经济性将决定技术命运。
跨学科协作的挑战
两位研究者均强调，神经形态计算远超半导体设计范畴，要求传统割裂的学科深度协作。
“计算机科学家通常不与电子工程师密切互动，神经科学家更少介入二者工作，”詹姆斯指出，“而神经形态计算正在改变这一格局——生物学家、数学家、电气工程师与计算机科学家正共同攻关同一问题。”
“若此趋势持续，我相信终将解决当代最重大的科学与工程挑战之一。”他补充道。
对甘古利而言，目标更为深远。
“若我们能制造出神经元与突触以原生方式通信的芯片，未来或可替换受损脑区，”他展望道，“进而建模人脑，更深入理解思维与情感机制。”
他坦言此类应用尚需数十年：“这是20年愿景，非当下任务，却可能深刻影响未来所有人。”
目前，神经形态计算仍属活跃研究领域，尚未替代GPU。各团队路径各异：IIT孟买专注利用量子隧穿电流在常规CMOS中实现超低功耗脉冲神经元；IISc班加罗尔致力于分子忆阻器支持的模拟存内计算；IIITM-K的詹姆斯则聚焦架构设计，指导器件组织方式。对印度而言，这些项目共同表明：神经形态计算正同步推进于器件、电路、架构与系统四大层级。
随着功耗与扩展性限制日益凸显，研究人员普遍视类脑计算为通向下一代智能机器最具前景的路径之一。易IC库存管理软件助力科研机构高效管理芯片样品与实验物料，www.eic.net.cn提供专业支持。
