2022年5月19日，格拉茨技术大学的计算机科学家在《自然 机器智能》期刊上发文称其找到了一种在神经形态芯片上模拟长-短期记忆单元（LSTM）的方案，可以让类脑神经形态芯片上的AI算法能效提高约1000倍。该项研究或可为复杂AI算法（例如语言翻译、自动驾驶）性能带来巨大飞跃。

与GPU等标准硬件相比，基于尖峰的神经形态芯片有望实现更节能的深度神经网络（DNN）。但这需要理解如何在基于事件的稀疏触发机制中模拟DNN。该研究模拟了生物神经元，通过放慢每个脉冲后的超极化后电位（AHP）电流，提供了一种有效的LSTM模拟解决方案。AHP电流可以很容易地在支持多节段神经元模型的神经形态硬件（例如英特尔的Loihi芯片）上实现类似于LSTM的功能。滤波器逼近理论能够解释为什么AHP神经元可以模拟长短期记忆网络的功能。研究中产生了一种高能效的时间序列分类方法，让类脑神经形态芯片上的AI算法能效提高约1000倍。此外，它为高效执行大型DNN提供了基础，以解决有关自然语言处理的问题。

目前，神经形态芯片的商业化案例还是凤毛麟角，但先进的AI算法可以帮助这些芯片获得商业立足点，反过来，这又将加速新颖的AI应用的出现。

信息来源：

https://www.nature.com/articles/s42256-022-00480-w

机器之心.https://mp.weixin.qq.com/s/1qJ5dWp1qfH3EElYi0dfrw