Neuromorphic Computing for Ultra-Low-Power Intelligent Systems: Architectures, Learning Paradigms, Applications, and Emerging Challenges

人工智能（AI）向边缘设备、自主系统、智能传感器、机器人、医疗平台以及普适物联网环境的快速扩展，暴露出传统计算架构的根本性局限。尽管当代深度神经网络取得了显著性能，但其对大规模内存传输、密集数值运算和集中式加速的依赖，造成了巨大的能耗、延迟和带宽成本。神经形态计算提供了一种替代范式，其计算围绕受生物神经系统启发的稀疏、异步、事件驱动信息处理来组织。脉冲神经网络（SNN）、专用记忆与突触结构、事件驱动通信以及紧密耦合的传感与计算，构成了这一新兴范式的主要要素。本综述批判性地考察神经形态计算作为超低功耗智能系统基础的前景，特别关注架构、学习范式、算法、应用、实现技术以及尚未解决的研究挑战。分析了从早期神经形态电路到当代大规模平台（如Loihi、Loihi 2、SpiNNaker 2、BrainScaleS-2以及事件驱动感算系统）的演进。从算法和硬件视角比较了SNN学习机制，包括脉冲时序依赖可塑性、替代梯度优化、ANN到SNN转换、时间编码、局部学习和混合学习。还考察了涉及忆阻器件、自旋电子元件、二维材料、模拟计算和存内处理的新兴技术。特别关注脉冲稀疏性、记忆局部性、通信开销、精度、延迟与能耗之间的关系。综述了在事件视觉、机器人、自主导航、语音识别、医疗、工业监测、智慧农业、边缘智能和脑机接口中的应用。分析指出，训练复杂度、基准不一致、硬件异构性、软件互操作性有限、器件变异性、可扩展性、安全性、可解释性和可持续性是持续存在的障碍。综述得出结论：实际进展将较少依赖于对大脑的字面复制，而更多依赖于系统性的算法—架构