近年来，全球许多研究团队一直在开发受人脑启发的计算技术，例如深度学习算法。虽然这些技术中的一些被认为在广泛的应用中很有前途，但是常规硬件并不总是支持其计算负荷，因此会限制其性能。

为了克服现有硬件的局限性并确保以大脑为灵感的计算技术获得最佳结果，可能的解决方案需要创建新的电子组件，以更好地反映人脑的结构。一类神经启发的计算芯片是专门为模仿人类和其他动物的大脑神经结构的人工智能（AI）应用而设计的。

中国清华大学的研究人员回顾了神经启发式计算芯片设计的最新进展，以了解迄今为止取得的进展并确定仍需克服的挑战。他们发表在《自然电子》上的评论文章还概述了一系列共同设计原则，这些原则可以为新的神经启发性电路，设备和算法的开发提供信息。

进行这项研究的研究人员之一华强强（Huaqiang Wu）对TechXplore表示：“这篇论文的想法来自我们先前设计神经启发性计算芯片的尝试。” “在过去的研究中，我们发现很难在单个级别（例如设备或电路级别）上优化这些芯片的性能，并且需要使用涵盖广泛领域的协同设计策略来优化此类芯片。从设备到算法的各种元素。”

Wu和他的同事在他们的新论文中仔细研究了神经启发性计算芯片设计的最新发展，并反思了从他们在该领域的努力中学到的一些经验教训。此外，他们概述了一组基准测试指标和共同设计原则，可以为其他尝试开发这些芯片的人提供帮助。

Wu说：“我们希望我们的工作能够帮助非专业读者找到更多有关神经启发性计算芯片的信息，同时也促进该研究领域的更大发展。” “我们主要研究了神经启发的计算芯片在支持算法，增强神经网络或人工（深度）神经网络方面的潜力。”

Wu和他的同事们强调了工程师在评估神经启发型计算芯片的有效性时可以重点关注的四个指标：计算密度，能效，计算精度和片上学习能力。

在回顾过去的研究时，研究人员观察到这些指标对于神经启发性计算芯片的设计和优化最为关键，因为它们最能代表芯片的独特功能及其与传统芯片相比的潜在优势。例如，计算密度（一种反映芯片面积效率的指标）最终使工程师能够确定芯片一次可以存储多少信息，以及它们的内存是否足以运行大规模神经网络。

除了概述评估大脑启发性芯片的重要指标外，Wu和他的同事还介绍了一套共同设计原则，这些原则可以为该领域的未来研究提供参考。这些原则主要基于其过去的研究发现和观察结果。

吴说：“我们认为，我们提出的协同设计工具是我们研究中最重要的部分。” “在实际的神经启发式计算芯片设计中，如果没有这种协同设计工具，就很难获得高性能的芯片。例如，可用作突触存储器的非易失性存储器（NVM）设备通常具有固有的功能。非理想状态和这些非理想状态会降低芯片的性能，但是要降低器件级别的非理想状态，需要付出很多努力，而且我们无法完全消除它们，因此我们的协同设计工具可以帮助优化芯片的性能不仅在设备级，而且在电路或系统级。”

他们的评论文件最终可以作为试图开发受大脑启发的芯片的工程师的总体路线图。同时，Wu和他的同事正计划制定其他指南，以加快和促进人工智能（AI）和神经启发性电子学领域的研究。

Wu说：“在未来的研究中，我们可以将设计神经启发性计算芯片分为两部分。” “在设备制造和技术集成部分，我们将优化设备性能，制造新的神经启发设备，并探索三维神经启发计算芯片。另一方面，在芯片和系统部分，我们将开发共同设计工具并设计通用的神经启发计算芯片，尤其是基于NVM的内存计算芯片。”