神经元：对从树突接收到的时空信息进行整合，并在超过特定阈值时发放新的脉冲，通过轴突传递到其他神经元。准确但复杂度高的神经元模型：HH模型；较为简化神经元模型：累积释放（I&F）模型。
突触：突触是不同神经元之间的连接，支撑记忆、学习功能；记忆以突触连接强度的形式存储在神经网络中。突触连接强度能够变化，体现为不同类型的可塑性包括短时程、长时程可塑性等，从而实现神经网络的学习功能。
群编码：信息编码在某一组神经元的行为模式中。
关键技术：片上网络、片上网络拓扑、片上网络路由
片上网络的四个基本组成部分：
路由节点：执行通讯任务的节点，其核心是交换开关，包括仲裁器、纵横交换电路、输入缓冲器等。
通道：指路由节点与资源节点之间、路由节点与路由节点之间的连线，通道具有一定的方向性。
按照路由节点的连接方式，NoC拓扑结构可分类如下：
二维结构：网格(Mesh)、环面(Torus)、多边形、蜘蛛网形(Spidergon)、星形（Star）等。
路由设计的功能考量多种不利现象：
死锁：数据包等待前级清空，前级又在等待更前级，依赖关系形成闭环，数据包无法路由。
活锁：数据包持续进行路由，但就是无法到达目标地址。只出现在自适应的非最短路径中。
饥饿：多个方向的数据包竞争输入，优先级固定只处理一个方向，其他方向被完全堵死。
解决活锁：仅使用最短路径路由方案，限制错误路由操作数量。
解决饥饿：采用需求跟踪的循环优先级，为低优先级适当保留带宽。
解决死锁：一般有死锁预防、死锁恢复和死锁避免方案。
关键技术：SNN学习算法
脉冲神经网络学习算法分类：
ANN转SNN离线学习：任何在ANN中能实现学习的算法，只要求能转换到SNN。
监督在线学习：依赖于梯度下降、突触可塑性、脉冲卷积序列、时空反向传播的浅层/深层学习算法。
其他在线学习：基于SNN的强化学习、半监督学习、液体状态机学习、深度信念网络学习等。
其中，无监督在线学习的实现方式包括：
突触可塑性：无监督学习的理论基础，生物可信，表征为突触连接强度增强或抑制。
长时程增强(LTP):NMDA受体强烈兴奋，Ca2+大量内流，形成新的AMPA受体。（海马体）
长时程抑制（LTD):NMDA受体活动处于低水平，Ca2+流量低下，AMPA受体消亡。（纹状体）
类脑计算芯片与应用
IBMTrueNorth芯片
NoC拓扑：片内及片间扩展均为2DMesh结构，片间传输速度显著慢于片内。
路由算法：片内外均为X-Y维序路由，片内采用异步双轨四相、片间采用异步单轨两相协议。
近存计算：非冯·诺依曼架构，存储与计算单元邻近分布在各处理核，高度并行，事件驱动。路由节点：需要处理东/西/南/北/本地五个方向的数据出入，首先处理东西向，再处理南北向。路由节点内置FIFO缓存缓解拥堵饥饿，最短路径算法避免活锁，支持一对一发射（同时避免死锁）
NoC拓扑：四个核与一个路由节点构成四叉树，路由节点之间构成2DMesh结构，片间也是2DMesh。
路由算法：片内及片间X-Y维序算法，纯异步路由握手设计。
框架本身仅支持一对一发射，但可在源神经元处，通过复制多个一对一实现一对多发射。
规格指标：156核众核架构(12x13)，每核256神经元、64K突触(256x256)。
路由算法：片内外均为X-Y维序路由，片内采用异步握手协议。
可使用额外的广播神经元和复制神经元来实现一对多发射，也可在核内执行多播判断
北京大学：PAICore芯片
规格指标：64核众核架构(8x8)，每核1K神经元、1M突触(1024x1024)。
NoC拓扑：片内及片间扩展均为2DMesh结构，片间采用8:1Merge/Split合并或分流8个核心的数据。
路由算法：片内外均为Y-X维序路由，采用基于异步FIFO的异步握手协议。
路由地址采用绝对地址表示，比对目标地址与当前核地址是否一致。
智能芯片的发展趋势
人脑的优势：
超低功耗
在处理同样复杂任务时，没有任何人工系统能够媲美人脑的高能效性。
学习能力
没有任何自然/人工系统能够像人脑一样，具有对新环境的自适应能力、对新信息与新技能的自动获取能力。
存算融合
神经元实现信息整合，突触完成存储和学习，每个神经元通过上万突触与其他神经元互联，高度并行、存算一体。
高鲁棒性
没有任何系统能够像人脑一样，在复杂环境下有效决策并稳定工作、能够在多处损伤情况下依然具有很好鲁棒性。
智能芯片的未来发展：
计算驱动：算力和能效的持续提升推进军事智能应用。
SNN类脑计算芯片：事件驱动型稀疏性数据、低功耗。
生物启发：持续提升规模、复杂度探索通用智能实现方法。
审核编辑：郭婷
原文标题：类脑芯片应用如何？
长沙市望城经济技术开发区航空路6号手机智能终端产业园2号厂房3层（0731-88081133）