综述：用于传感、记忆和控制的神经形态设备与计算

《Advanced Science》：Neuromorphic Devices and Computing for Sensing, Memory, and Control

　　

神经形态设备（Neuromorphic Devices）是受生物启发的电子系统，模仿神经系统的关键结构和功能，实现活体组织与机器之间的集成和通信。本综述研究了神经形态设备（Neuromorphic Devices）和神经形态计算（Neuromorphic Computing）如何被设计来模拟神经系统的结构、组织和功能。对于神经形态设备（Neuromorphic Devices），研究人员首先描述了模仿亚细胞神经功能的策略。然后，研究人员强调了设备架构如何从亚细胞组件到脑网络重现生物拓扑结构。接下来，研究人员总结了神经形态设备（Neuromorphic Devices）如何模拟感觉和感觉运动（感觉-调制）神经回路。对于神经形态计算（Neuromorphic Computing），研究人员回顾了人工和生物神经形态计算（Neuromorphic Computing）的最新进展，包括脉冲神经网络（SNNs）、受生物启发的学习算法和应用。研究人员还讨论了新兴的生物混合智能（Biohybrid Intelligence）系统，该系统利用二维和三维生物网络作为计算单元。最后，研究人员概述了关键挑战、潜在里程碑和未来方向。

**2 神经形态设备模仿亚细胞神经功能**

**2.1 神经形态胞体（Neuromorphic Soma）**
胞体整合树突输入并触发动作电位。金属氧化物半导体场效应晶体管（MOSFET）通过栅极电容积累电荷模拟输入整合，当栅极电压超过阈值时形成导电沟道，模拟神经元的全或无发放行为。MOSFET具有成熟的硅基互补金属氧化物半导体（CMOS）工艺，但需多个晶体管实现单个功能，限制了面积和能效。未来可通过氧空位序调控、更好的栅极控制及柔性改进提升性能。

**2.2 神经形态树突（Neuromorphic Dendrites）**
树突整合和滤波突触后信号，并执行时空总和。动态氧化物忆阻器利用氧空位漂移-扩散过程模拟树突的时间滤波和信号衰减，例如双栅极神经晶体管采用锂掺杂二氧化硅（SiO₂）离子导电层和α-五氧化二铌（α-Nb₂O₅）忆阻开关材料。固态电解质门控晶体管通过离子迁移调制沟道载流子密度，模拟短期记忆。氧化物忆阻器具有紧凑尺寸和低能耗，但存在丝状开关变异性、漏电流和阵列串扰问题。固态电解质器件受限于离子移动速度慢，未来需提高速度和带宽。

**2.3 神经形态突触（Neuromorphic Synapses）**
突触可塑性包括长时程增强（LTP）和长时程抑制（LTD）。忆阻器件通过电导状态存储模拟突触权重变化，如有机半导体氯铜酞菁（ClCuPc）忆阻器。相变材料（PCM）器件利用非晶态和晶态之间的电阻差异实现非易失性电导存储，通过焦耳热调控结晶度。铁电材料器件（如钙钛矿结构）通过可切换极化调制电导。忆阻器具有高密度和紧凑结构，但存在周期间和器件间变异性；PCM具有非对称更新和电导漂移；铁电器件存在唤醒效应和疲劳。未来需改进模拟电导更新、制造良率和长期稳定性。

**3 神经形态设备将功能组件集成到神经架构**

**3.1 神经形态树突树（Neuromorphic Dendritic Trees）**
多栅极MOSFET通过多个独立栅极耦合到共享半导体沟道，模拟树突树的多分支信号整合。不同栅极在不同电压下诱导不同漏源电流（I_DS），模拟树突响应。但多栅极引入栅间串扰，且无法复制真实树突的复杂分支形态和活性离子通道。未来需提高生物逼真度。

**3.2 神经形态神经元（Neuromorphic Neurons）**
类神经元电子学（NeuE）在结构上模仿神经元：圆形记录电极对应胞体，长互连对应轴突和树突，绝缘层模拟髓鞘，弯曲刚度接近神经元轴突，实现与神经元的无缝界面。但NeuE仅用于电生理记录，未复制完整功能。未来需结合结构相似性和生物功能。

**3.3 神经形态神经网络（Neuromorphic Neural Networks）**
通过将单个元件集成到二维层或三维结构，如忆阻器阵列与CMOS电路、铁电纳米突触阵列，模拟神经网络的层次化架构。例如，铁电突触阵列通过调节电导表现学习行为。但生物神经网络（如六层皮层）更复杂，包含多种神经元类型和层间连接。未来需纳入更多生物成分，如投射神经元和中间神经元。

**4 神经形态设备模仿神经回路**

**4.1 压力传感（Pressure Sensing）**
压力传感器（如导电聚合物夹层结构）将机械变形转换为电阻变化，进而产生电压调制，类似生物机械感受器的受体电位。环形振荡器将电压转换为脉冲频率，实现速率编码，晶体管突触电路转换为突触后电流。该体系模拟从力检测到神经信号传输的完整通路，未来需降低功耗并提高可扩展性。

**4.2 光学传感（Optical Sensing）**
光电探测器将光子转换为模拟电信号，与人工突触和神经元集成，表现短期和长期可塑性。例如，偶氮苯基光电化学晶体管和量子点突触可结合光电探测、记忆和神经刺激。弱刺激引起瞬态电导变化（短期记忆），强刺激稳定电导（长期记忆）。未来需区分光激活和暗激活响应，并纳入水平细胞抑制和方向选择性。

**4.3 声学传感（Acoustic Sensing）**
微机电系统（MEMS）麦克风、压电器件或摩擦电器件将声振动转换为电信号，通过频率选择性传感器实现类似耳蜗的频率分解。人工突触可动态调整频率响应，支持听觉学习。但生物听觉是闭环系统，需集成反馈机制、双耳处理和空间听觉。

**4.4 生化传感（Biochemical Sensing）**
离子选择性电极、导电聚合物、金属有机框架（MOF）和离子凝胶等材料选择性地与靶分子（如H⁺、Na⁺、氨基酸）结合，改变电导或电势，产生分级电信号。离子调制系统（如电解质门控晶体管）通过离子重分布模拟突触可塑性。蛋白质介导的信号传递可通过生物功能化栅极实现，例如有机电化学晶体管（PEDOT:PSS）检测蛋白质结合引起的离子分布变化。未来需结合多传感器、形成闭环回路并与生物系统集成。

**4.5 传感与调制集成（Integrating Sensing and Modulation）**
将多模态传感器与脉冲处理和离子调制耦合，形成闭环控制系统。例如，压力传感器连接大鼠体感皮层，通过传入神经通路模拟皮肤感觉，并触发运动皮层反馈响应。系统集成单一传感已成功，但未来需整合多种传感输入以实现更有效的调制。

**5 人工神经形态计算**

**5.1 神经元模型（Neuron Models）**
**5.1.1 积分放电模型（Integrate-and-Fire Models）**
积分放电（IF）模型最早由Lapicque提出，但存在无限记忆问题。泄漏积分放电（LIF）模型引入泄漏电流，是最常用的模型，适用模拟和数字电路、忆阻器、现场可编程门阵列（FPGA）和专用集成电路（ASIC）。参数化LIF（PLIF）将膜时间常数作为可学习参数，提高网络异质性；门控LIF（GLIF）加入门控机制；双室LIF（TC-LIF）和双自适应LIF（DA-LIF）分别通过双室或双常数模拟自适应放电。LIF变体提高了生物逼真度，但GLIF、TC-LIF和PLIF增加模型开销，DA-LIF更节能。LIF模型也用于解释生物神经元特性，如艾伦研究所利用转基因小鼠生成LIF模型。

**5.1.2 霍奇金-赫胥黎模型（Hodgkin-Huxley Models）**
霍奇金-赫胥黎（HH）模型通过电压钳实验描述钠离子（Na⁺）和钾离子（K⁺）通道电流，生物精度高，但计算复杂，不适合多数神经形态应用。HH模型已扩展至多室模型，用于研究新皮层、运动皮层和海马，优化方法包括图形处理器（GPU）加速、FPGA和ASIC实现。

**5.1.3 伊兹克维奇模型（Izhikevich Models）**
伊兹克维奇模型通过分岔方法简化HH模型，支持快速精确建模，计算复杂度介于LIF和HH之间。适用于FPGA和非易失性存储器系统，并可与坐标旋转数字计算机（CORDIC）算法结合实现高效计算。

**5.2 人工神经形态学习（Artificial Neuromorphic Learning）**
**5.2.1 无监督学习方法（Unsupervised Learning Methods）**
基于赫布理论，常用脉冲时序依赖可塑性（STDP）和脉冲率依赖可塑性（SRDP）。STDP通过因果相关脉冲实现长时程增强或抑制，但需抑制性神经元或稳态可塑性（如兴奋/抑制平衡）防止正反馈。STDP已广泛实现于忆阻器、FPGA和ASIC。其他形式如行为时间尺度突触可塑性（BTSP）用于海马位置细胞，尚未在硬件实现。

**5.2.2 有监督学习方法（Supervised Learning Methods）**
SNN的二元输出不可微，需修改反向传播。替代梯度（surrogate gradients）近似不可微函数；基于事件的反向传播（EventProp）在脉冲时刻计算误差；基于时间的反向传播（DelGrad）实现显式脉冲延迟梯度；广义潜平衡（GLE）利用双时间变量进行信用分配。强化学习（RL）通过Q学习和演员-评论家（actor-critic）网络实现，模拟多巴胺（DA）和奖励预测误差（RPE）信号。算法兼容性：STDP适用所有模型，替代梯度适用LIF和Izhikevich，RL适用所有模型。硬件实现包括忆阻器、ASIC和数字芯片。

**5.3 神经形态计算的架构与应用（Architectures and Applications of Neuromorphic Computing）**
SNN架构包括前馈、卷积、递归和储备池网络。工业项目包括Loihi（Intel，13万神经元、1.3亿突触）、TrueNorth（IBM，100万神经元、2.56亿突触）和SpiNNaker2（曼彻斯特大学，50亿神经元）。应用包括脑电图（EEG）分析（能耗降低95%）、嗅觉检测、有限元分析和大语言模型（LLM）。SNN在时间序列处理上具有优势。

**5.4 扩展与训练挑战（Scaling and Training Challenges）**
大规模SNN面临训练能耗、突触权重存储和通信开销瓶颈。SpiNNaker2通过片上网络和直接内存访问（DMA）控制器缓解问题，但实时模拟限于77,000个皮层神经元。训练时需GPU，如2000个HH神经元需144秒模拟200毫秒。片上学习（如GLE、PLIF）可减少训练成本，在线学习已在SpiNNaker2实现。

**6 生物神经形态计算**

**6.1 二维网络（2D Networks）**
哺乳动物神经元培养物与多电极阵列（MEA）接口，表现功能连接和可塑性。成熟培养物呈现信息处理优化网络，如适应模式刺激和皮层爆发同步。Cortical Labs通过闭环强化学习训练人/小鼠诱导多能干细胞（iPS）源皮层神经元玩“Pong”游戏，采用自由能最小化框架的电刺激。该工作引发对认知解释的讨论，需更一致的跨学科定义。

**6.2 三维网络（Three-Dimensional Networks）**
iPS细胞分化成三维脑类器官，包含突触连接和功能活动，表现振荡动力学和结构化放电模式。类器官作为计算储备池，通过MEA接收时空电刺激，成功预测非线性混沌方程和语音分类，且训练后功能连接变化。但需验证储备池特性（如记忆容量、非线性分离性）。伦理问题包括意识、知觉和捐赠者同意，当前类器官被认为无意识，但未来可能进展。挑战包括培养变异性和接口技术，柔性可嵌入生物电子接口有望改善记录稳定性。

**7 总结与未来展望**

神经形态设备（如MOSFET、忆阻器、PCM、铁电器件）模仿亚细胞功能，多栅极MOSFET、NeuE和阵列集成架构，以及压力、光学、声学、生化传感回路。优势包括非易失性、低能耗和高可扩展性，但存在变异性、形态与功能分离、回路孤立等问题。未来需提高制造稳定性、同时复制复杂功能与架构，并集成不同系统和生物系统。神经形态计算面临训练效率、准确性和通信开销，预期通过算法改进使SNN超越传统ANN，并实现每突触事件低于飞焦耳（fJ）的能耗。生物混合计算需稳定高分辨率接口、先进组织模型（如组装体）和更精确的刺激方法（如神经递质释放或光遗传学）。未来方向是统一双向集成，模糊生物与人工系统的界限。