神经形态计算旨在在合成硬件中复制大脑的计算结构和架构，通常专注于人工智能应用。较少探索的是这种受大脑启发的硬件是否可以提供超出认知任务的价值。
在这里，桑迪亚国家实验室的研究人员展示了尖峰神经形态架构的高度并行性和可配置性，使其非常适合通过离散时间马尔可夫链实现随机游走。这些随机游走在蒙特卡洛方法中很有用，蒙特卡洛方法代表了解决各种数值计算任务的基本计算工具。
使用 IBM 的 TrueNorth 和英特尔的 Loihi 神经形态计算平台，研究人员表明，与传统方法相比，用于生成随机游走近似扩散的神经形态计算算法在节能计算方面具有优势。同时，他们的神经形态计算算法可以扩展到更复杂的跳跃扩散过程，这些过程可用于一系列应用，包括金融经济学、粒子物理学和机器学习。
该研究以「Neuromorphic scaling advantages for energy-efficient random walk computations」为题，于 2022 年 2 月 14 日发布在《Nature Electronics》。
论文链接：https://www.nature.com/articles/s41928-021-00705-7
在过去十年左右的时间里，世界各地的许多研究人员一直在尝试开发受大脑启发的计算机系统，也称为神经形态计算工具。这些系统中的大多数目前用于运行深度学习算法和其他人工智能 (AI) 工具。

内容中包含的图片若涉及版权问题，请及时与我们联系删除