神经形态计算的突触权重更新_人工智能硬件.docx

PAGE2

神经形态计算的突触权重更新

第一章绪论

1.1研究背景

人工智能技术的飞速发展正推动计算范式从传统冯·诺依曼架构向类脑计算方向演进。深度学习模型在图像识别、自然语言处理等领域取得突破性进展，但其对算力与能耗的需求呈指数级增长。当前主流计算平台基于CMOS工艺的GPU与ASIC加速器，在执行大规模神经网络推理时，功耗墙与存储墙问题日益突出。

传统计算架构中处理器与存储器分离的设计，导致数据在两者之间频繁搬运，产生严重的传输延迟与能量开销。这一瓶颈在边缘计算场景中尤为明显，自动驾驶、智能传感器、可穿戴设备等应用对实时性与低功耗提出严苛要求。现有数字加速器虽可通过量化、剪枝等手