Carver Mead及其同事将神经科学的基础研究与电子工程中优雅的模拟电路设计结合在一起。这项关于神经形态电子电路的开创性工作启发了德国和瑞士的研究人员探索利用硅的物理学来再现真实的神经电路的物理学的可能性。

“模仿大脑”的神经形态电子学领域显示出巨大的潜力，不仅对基础研究具有很大的潜力，而且对永远在线的边缘计算和“物联网”应用的商业开发也具有巨大的潜力。

在AIP Publishing的Applied Physics Letters，Bielefeld University的Elisabetta Chicca，苏黎世大学和ETH Zurich的Giacomo Indiveri中介绍了他们的工作，以了解生物学中的神经处理系统如何进行计算，以及如何在混合信号模拟/数字电子学和新型材料中重现这些计算原理。

神经网络最独特的计算特征之一是学习，因此Chicca和Indiveri对再现真实突触的适应性和可塑性特别感兴趣。他们使用标准的互补金属氧化物半导体(CMOS)电子电路和先进的纳米级存储技术(如忆阻器件)来构建可以学习的智能系统。

这项工作意义重大，因为它可以帮助您更好地了解如何使用极低功耗的紧凑型设备来实现复杂的信号处理。

他们的主要发现是，这些低功耗计算技术的明显缺点(主要与精度低，对噪声敏感和可变性高有关)实际上可以被利用来执行健壮和高效的计算，就像大脑可以使用高度可变的和嘈杂的神经元来实施稳健的行为。

研究人员说，令人惊讶的是，通常与位精确的高密度设备技术有关的存储技术领域，如今将动物的大脑视为了解如何构建自适应和强大的神经处理系统的灵感来源。这与Mead及其同事在30年前遵循的基础研究议程非常吻合。

奇卡说：“我们构建的电子神经处理系统无意与功能强大，功能强大的大型计算机集群上运行的强大而精确的人工智能系统竞争，以进行自然语言处理或高分辨率图像识别和分类。”

相反，它们的系统“为那些需要紧凑，非常低功耗(亚毫瓦)实时处理且延迟时间短的应用提供了有希望的解决方案，” Indiveri说。

他说，此类应用的示例属于“'高端计算'领域”，该领域需要少量的人工智能才能从实时或流式传输的传感信号中提取信息，例如用于可穿戴设备，脑机中的生物信号处理接口和始终在线的环境监控。”