⚏bite过去式过去分词⚐     

李国齐指出，针对脉冲神经网络(SNN)在更高层面，比如时间维度中不能根据输入难易度调整其脉冲发放等“动态失衡”问题，这项研究基于注意力机制的神经形态脉冲动态计算框架，在多种粒度上实现对不同的输入进行有区分地动态响应。同时，Speck软件工具链编程框架支持动态计算脉冲神经网络算法训练和部署。

Speck是一款异步感算一体类脑神经形态系统级芯片，采用全异步设计，在一块芯片上集成了动态视觉传感器(DVS相机)和类脑神经形态芯片，具有极低的静息功耗(仅为0.42毫瓦)。它能够以微秒级的时间分辨率感知视觉信息，以全异步方式设计抛弃了全局时钟控制信号，避免时钟空翻带来的能耗开销，仅在有事件输入时才触发稀疏加法运算。

论文通讯作者李国齐研究员介绍说，人脑能够运行非常复杂且庞大的神经网络，总功耗却仅为20瓦，远小于现有的人工智能系统。因此，在算力比拼加速，能耗日益攀升的今日，借鉴人脑的低功耗特性发展新型智能计算系统成为极具潜力的方向。

中国科学院自动化研究所6月1日向媒体发布消息说，该所李国齐、徐波研究员团队与合作者共同研发出一套能够实现动态计算的算法-软件-硬件协同设计的、低功耗的类脑神经形态系统级芯片Speck，展示出类脑神经形态计算在融合高抽象层次大脑机制时的天然优势。

该研究的实验结果表明，注意力机制可使得脉冲神经网络具备动态计算能力，即根据输入难易度调整其脉冲发放模式解决“动态失衡”问题，在显著降低功耗的同时，提升任务性能。在一个动态视觉传感数据集上，融合脉冲动态计算的Speck在任务精度提升9%的同时，平均功耗由9.5毫瓦降低至3.8毫瓦。(完)

bite过去式过去分词中新网北京6月1日电 (记者 孙自法)如何借鉴人脑的低功耗特性发展新型智能计算系统？这是人工智能领域颇受关注的重要研究方向。

这项人工智能领域重要研究成果论文，近日在国际学术期刊《自然-通讯》(Nature Communications)发表。该研究实践证实高、低抽象层次大脑机制的融合能进一步激发类脑计算潜力，将为未来将大脑进化过程中产生的各种高级神经机制融合至神经形态计算提供启发。

在本项研究中，合作团队提出“神经形态动态计算”的概念，通过设计一种类脑神经形态芯片Speck来实现基于注意力机制的动态计算，在硬件层面做到“没有输入，没有功耗”，在算法层面做到“有输入时，根据输入重要性程度动态调整计算”，从而在典型视觉场景任务功耗可低至0.7毫瓦，进一步挖掘出神经形态计算在性能和能效上的潜力。