大规模神经网络模型是许多基于人工智能的技术的基础，例如神经形态芯片，这些技术灵感来自人类大脑。训练这些网络可能非常繁琐、耗时且能源效率低下，因为模型通常先在计算机上训练，然后再传输到芯片上。这限制了神经形态芯片的应用和效率。

埃因霍温理工大学的研究人员通过开发一种能够进行片上训练的神经形态设备解决了这个问题，从而无需将训练好的模型传输到芯片上。这可能为高效专用的人工智能芯片开辟一条道路。

你有没有想过，你的大脑到底有多神奇?它是一台强大的计算机，而且速度快、动态强、适应性强，而且非常节能。

这些属性的结合启发了埃因霍温理工大学的研究人员，包括 Yoeri van de Burgt，他们在学习至关重要的技术中模仿大脑的工作方式，例如交通、通信和医疗保健领域的人工智能 (AI) 系统。

神经连接

埃因霍温理工大学机械工程系副教授范德伯格特 (Van de Burgt) 表示：“你很可能会发现这种人工智能系统的核心是一个神经网络。”

神经网络是受大脑启发的计算机软件模型。在人脑中，神经元通过突触与其他神经元交流，两个神经元之间的交流越多，它们之间的连接就越强。在由节点组成的神经网络模型中，任何两个节点之间的连接强度由一个称为权重的数字给出。

“神经网络可以帮助解决大量数据的复杂问题，但随着网络规模越来越大，它们带来的是能源成本和硬件限制的增加，”范德伯格特说。“不过，有一种基于硬件的替代方案很有前途——神经形态芯片。”

神经形态捕获

和神经网络一样，神经形态芯片的灵感来自大脑的工作方式，但模仿程度却提升到了一个全新的水平。在大脑中，当神经元中的电荷发生变化时，它就会发射并向相连的神经元发送电荷。神经形态芯片复制了这一过程。