玻尔百科人类大脑是计算效率的巅峰之作，它是由活细胞构成的“湿件”（wetware）计算机，其运行原理与现代电子设备中刻板的数字逻辑截然不同。几十年来，工程师和科学家们一直为一个宏大的挑战所吸引：我们能否跨越这一鸿沟，用与智能手机和笔记本电脑完全相同的材料，构建一个“片上大脑”？这项被称为“神经形态工程”的研究，不仅寻求在软件中模拟大脑，更致力于构建神经元和突触的物理电子模拟体。
核心问题在于转换。如何才能引导在晶体硅中有序流动的电子世界，去复制生物神经元中基于离子的复杂动力学？本文将揭示这项卓越工程壮举背后的奥秘，阐明那些使晶体管能够像脑细胞一样工作的深层物理类比。
在接下来的章节中，我们将踏上一段从单个晶体管到晶圆级大脑的旅程。在“原理与机制”一章中，我们将深入探讨构成硅神经元基础的亚阈值物理学和模拟电路设计。随后，在“应用与跨学科联系”一章中，我们将探索这些受大脑启发的设备能够解决的广阔问题领域，从处理感觉数据、从经验中学习，到应对科学和工业界一些最棘手的计算挑战。
构建一个“硅神经元”，就是踏上了一段连接生物学和固态物理学这两个看似迥异世界的奇妙旅程。大脑，我们高效计算的典范，是一件“湿件”的杰作。它依靠在盐溶液中游动的离子运行，由ATP的化学能提供动力，其计算结构由脂质膜和复杂的蛋白质编织而成。它的奥秘在于数十亿细胞复杂而涌现的协作。另一方面，硅是刚性晶体秩序的缩影。它依靠在精确蚀刻的沟道中流动的电子洪流运行，由电压驱动，其逻辑由清晰、确定性的布尔代数定律决定。
那么，我们如何才能让一片提纯的沙子表现得像一个活的神经元呢？答案不仅仅是复制大脑的架构，而是在于发现并利用隐藏在硅材料本身之中的类似物理原理。硅神经元的故事，就是在两种截然不同的媒介之间寻找共同语言的故事。
数字计算机以非黑即白的方式思考：一个晶体管要么是开（ON），要么是关（OFF），代表1或0。这是一种强大的抽象，但神经元并非如此工作。神经元生活在一个灰度的世界里。它的膜电位会响应输入信号而平滑、模拟地升高和降低，而产生尖峰脉冲的过程本身就是离子通道开合的一个复杂的连续时间动态过程。
如果我们要在硅中构建一个神经元，就必须摆脱数字逻辑的二元束缚。关键在于进入一个鲜为人知的晶体管工作中间区域，称为亚阈值（subthreshold）区，或弱反型区。当你电脑中的标准金属-氧化物-半导体场效应晶体管（MOSFET）处于“关”状态时，其栅极电压低于某个“阈值电压”。在数字世界里，我们假装没有电流流过。但物理学更为精妙。实际上，仍然有微小的泄漏电流流过，这股电流并非由电子被强行拉过沟道形成，而是由电子扩散形成的，就像一滴墨水在水中散开。这是热力学的范畴，而非强力静电学。
就在这里，物理学给了我们一份美妙的礼物。这个扩散电流的大小 ，与栅极电压 的关系不是线性的或二次的，而是指数的。这种关系可以用一个极其简单而深刻的方程来描述：
其中 和 是器件特定的参数。关键项是 ，即热电压，其中 是 Boltzmann 常数， 是绝对温度， 是元电荷。这个方程是连接硅与生物学的“罗塞塔石碑”。电压的指数依赖性，与控制生物膜中离子通道开放概率的 Boltzmann 分布形式完全一致。描述温暖汤羹中分子随机碰撞的物理学，同样也描述了温暖硅片中电子的流动。
正是这种直接的对应关系，使得指数整合-发放（Exponential Integrate-and-Fire, EIF）神经元模型在硬件中构建起来如此自然。该模型包含一个数学项 ，用以捕捉神经元尖峰脉冲急剧、爆发式的起始过程。得益于亚阈值物理学，我们可以用单个晶体管实现这个数学项，将硅器件的自然物理行为直接映射到模型的动力学上。这不仅仅是一个近似；这是一个深层次的物理类比。
然而，这种指数级的敏感性是一把双刃剑。它虽然提供了强大的计算能力，但也意味着电路对温度和制造过程中的微小变化极为敏感，这在构建大型晶圆级系统时是一个主要挑战 [@problem_id:4067552, @problem_id:4285489]。
以亚阈值晶体管为我们的基本构建单元，我们就可以开始组装神经电路的组件了。
首先是神经元本身。最简单的抽象是泄漏整合-发放（Leaky Integrate-and-Fire, LIF）模型。想象神经元的膜是一个小桶（电容 ），收集落下的雨水（突触电流 ）。这个桶有一个小洞（电阻 ，在我们的例子中是一个亚阈值晶体管）。随着雨水落下，水位（膜电位 ）上升。如果水位上升得足够快，达到某个标记（阈值电压 ），我们就宣告一次“尖峰脉冲”，倒空桶（重置电压），并向其他神经元发送信号。这个由一个电容和几个晶体管组成的简单RC电路，构成了一个基本的硅神经元。
其次是突触。在生物学中，当一个尖峰脉冲到达突触时，它会引起一股短暂的电流流入下游神经元，然后这个效应会逐渐衰减。我们如何复制这种指数衰减呢？一种绝妙的技术来自对数域处理（log-domain processing）的世界。考虑一个电路，其中一个输入尖峰脉冲将一个电容充电至初始电压 。然后我们用一个微小的恒定电流 对该电容放电。电容上的电压 将随时间线性下降。
现在，我们将这个线性衰减的电压施加到一个亚阈值晶体管的栅极上。因为晶体管的电流对其栅极电压呈指数依赖，电压的线性衰减在输出电流 中产生了一个非常纯净的指数衰减。最终的突触电流遵循以下方程：
这个衰减的时间常数 不是固定的。它由 给出。这揭示了另一个神奇之处：我们只需调整微小的偏置电流 ，就可以电子化地调谐我们突触的“速度”。这为在硬件中直接实现突触可塑性——学习和记忆的基础——打开了大门。
并非所有神经元生而平等，也并非所有计算任务都需要相同水平的生物学细节。神经形态工程的艺术在于选择正确的抽象层次。
在这个谱系的一端是详尽的 Hodgkin-Huxley (HH) 模型。这是动作电位的宏大理论，一个描述单个钠离子和钾离子通道动力学的耦合微分方程组。在硅中构建一个HH神经元需要用许多晶体管组成复杂的模拟电路，以模拟各种电压依赖性电导。这提供了很高的生物物理保真度——你可以模拟特定通道突变或药物的效果——但它在面积和功耗上付出了高昂的代价。
在另一端是简单的LIF模型，它计算成本低廉，但无法再现真实神经元中观察到的丰富放电模式（如簇放电或适应）。
在中间存在一个“最佳点”，被像Izhikevich模型和前述的EIF模型等模型所占据。这些是现象学模型。它们不试图复制每一个离子通道，而是利用巧妙的低维数学来再现真实神经元的行为。例如，Izhike-vich模型仅用两个方程和四个参数，就能生成令人眼花缭乱的各种神经动力学模式。因为这些模型是事件驱动的，并且避免了模拟HH电路中所有离子通道所需的大量连续电流，所以它们的能效要高出几个数量级。一个硬件实现的Izhikevich神经元每次尖峰脉冲可能消耗几十皮焦（ J）的能量，而一个模拟HH实现可能需要数百纳焦（ J）——相差数千倍！
模型之间的这种选择揭示了数学、生物学和工程学的完美融合。对于理论神经科学家来说，二次整合-发放（Quadratic Integrate-and-Fire, QIF）模型尤为优雅。它是数学上的“范式”（normal form），普适地描述了任何通过特定类型分岔（不变圆上的鞍点）开始放电的神经元的行为。它代表了一整类神经元的数学本质。EIF模型虽然在数学意义上不那么“普适”，但却是硬件的完美选择，因为它的指数项直接反映了硅衬底的底层物理特性。
大脑不仅仅是一个神经元，神经形态处理器也不仅仅是一个电路。要构建一个拥有数百万或数十亿硅神经元的系统，我们必须面对规模化的挑战。一个大规模尖峰神经网络的总功耗（）可以分解为三个主要部分：
随着系统规模的扩大，这种通信成本可能成为主要的能量瓶颈，这与大脑将其巨大一部分体积和能量用于连接其各个区域的白质束的事实相呼应。
此外，大规模构建意味着要面对物理世界的复杂性。没有两个晶体管是完全相同的。制造过程中的微小差异，加上芯片上的温度梯度——这个问题因3D堆叠而加剧——可能导致我们高度敏感的模拟电路的行为发生漂移。这需要复杂的片上校准和补偿方案，这是一场对抗熵和不精确性力量的持续战斗 [@problem_id:4039553, @problem_id:4067552]。
最后，从构建硅神经元中获得的最深刻的教训或许是，完美复制生物学甚至可能不是最终目标。生物神经元是出了名的充满噪声和不可靠。其尖峰脉冲之间的时间间隔可能高度可变。对于一个被训练要重视精度的工程师来说，这种噪声似乎是一个需要消除的缺陷。事实上，一个典型的硅LIF神经元的放电规律性（）远高于一个典型的皮层神经元（ 甚至更大）。
然而，有证据表明，大脑的噪声不仅仅是一个缺陷，反而是一种特性。生物噪声的特定特性，即通常表现出长时间范围内的长程相关性（所谓的 谱），可能对某些类型的计算是一种关键资源。对于需要平均和降噪的任务，硅神经元的规律、可预测的行为更为优越。但对于需要探索、创造力以及在复杂搜索空间中跳出局部最小值的任务，像脑类器官这样的生物基质所具有的丰富、相关的随机性可能在计算上非常强大。
这将我们引向一个新的前沿。目标不仅仅是模仿，而是理解并利用计算物理学，无论它以何种媒介出现。硅神经元的旅程向我们展示，信息、能量和动力学的基本原理是普适的，它们被写在一种既能被活细胞也能被晶体硅所“说”的语言中。
在了解了硅神经元工作的基本原理之后，我们可能会满足于我们这个优雅的生物计算机微缩模型而止步不前。但这样做就像学会了国际象棋的规则却从未下过一盘棋。这些设备的真正魅力不在于它们是什么，而在于它们能做什么。它们能解决哪些宏大的问题？它们能开辟哪些新的科学视野？硅神经元应用的故事是一场穿越现代科学版图的壮丽旅程，从我们心智的内部运作，到数学的抽象前沿，再到构建大脑这一宏伟的工程挑战。
对硅神经元来说，最自然的工作起点就是我们大脑开始的地方：理解世界。我们的感官传递信息的方式不像电影摄像机那样以整齐、同步的帧进行。相反，它们报告的是事件。视网膜中的光感受器在照射到它的光线变化时放电。耳蜗中的毛细胞在声波中特定频率到达时作出响应。这是一个充满异步、事件驱动信息的世界。
硅神经元完美地适应了这个世界。在神经形态系统中，它们通常与同样基于此原理工作的“硅视网膜”（动态视觉传感器）或“硅耳蜗”配对。这些传感器生成数字尖峰脉冲流，每个脉冲都标记着一个特定的时空事件——在时间 像素 处的亮度变化，或在时间 频率通道 中的压力波。硅神经元直接接收这些事件，将每个传入的尖峰脉冲视为一小包电流，轻轻推动其膜电位。对于世界中没有变化的部分，不会浪费能量进行处理。计算自然而高效地跟随着信息。
但是，信息究竟是如何在这些尖峰序列中编码的呢？一个简单的想法是，尖峰发放的速率代表了刺激的强度——强光引起许多尖峰，弱光则引起少量尖峰。这种“速率编码”当然是故事的一部分，但它有点像只通过计算每页的单词数量来读书。你得到了一些信息，但错过了整个叙事。大脑，以及我们的硅神经元，可以使用一种更丰富的语言：尖峰脉冲的精确时间。
考虑一个一秒钟的时间窗口。如果一个神经元的内部机制限制它最多放电100次，那么速率编码只允许101种不同的消息（从0到100个尖峰）。但如果每个尖峰的时间都很重要，且精度仅为一毫秒，那么可能的尖峰模式数量将是天文数字——一个可能性的组合爆炸。这种“时间编码”具有高得多的信息容量。
时间编码中最优雅的形式之一是*延迟编码*。想象一个神经元接收到强输入。它的膜电位会非常迅速地充电至放电阈值，以短延迟发出一个尖峰脉冲。较弱的输入会使其充电更慢，从而导致一个较晚的尖峰脉冲。在这种方案中，信息不在于尖峰的数量，而在于首次尖峰发放的时间。通过简单地调整硅神经元的内部参数——它的泄漏性、重置电压、不应期——我们可以调谐它如何将输入强度转换为精确的放电时间，从而创建一个极其快速和高效的信息通道。这不仅仅是一个抽象的想法；它是控制神经元膜的微分方程的直接结果。此外，我们可以将我们的硅神经元设计得不仅仅是简单的整合器。通过精心设计其内部电路以模拟特定的生物结构，例如集中在轴突起始段（Axon Initial Segment, AIS）的强大钠离子通道，我们可以创造出能够生成真实神经元特有的尖锐、快速起始的尖峰脉冲的设备，从而进一步增强它们利用时间进行计算的能力。
单个神经元，无论多么聪明，都不是大脑。当它们连接成电路时，魔力才会发生。在这里，我们发现简单的、局部的交互规则可以产生深远的计算能力。
大脑中最基本的计算之一是除法归一化。本质上，这意味着一个神经元的反应不仅取决于它自身的输入，还取决于其输入除以其邻近神经元活动的总和。这种机制允许大脑动态调整其敏感度，即“增益”。这就是为什么你既能在光线昏暗的房间里，也能在阳光明媚的海滩上分辨细节。硅神经元电路可以完美地实现这一点。通过将神经元排列成自我兴奋但抑制邻居的模式——一种称为侧向抑制的方案——网络会自然地稳定到一个状态，在这个状态下，被最强驱动的神经元“获胜”，同时抑制其他神经元。这个由工作在高效亚阈值区的硅神经元构建的简单电路，可以被证明能够计算一个与softmax函数非常相似的函数，而softmax是现代机器学习分类算法的基石。
平衡这个主题是核心。大脑是一场电活动的风暴，但它却保持稳定。这很大程度上是由于在兴奋和抑制之间走钢丝般地维持平衡。一个简单的皮层神经元模型显示，如果抑制被调谐为跟踪兴奋，电路可以实现一个非凡的壮举：它对特定特征（如视觉线条的方向）的调谐可以保持敏锐和不变，即使刺激的整体强度（其对比度）发生巨大变化。未经调谐的、汇集起来的抑制提供了这种增益控制所需的除法归一化。
有了能够计算和适应的电路，我们就可以开始提出更深层次的问题。大脑是如何解决“绑定问题”的——它如何知道红色、圆形和甜味都属于同一个苹果？一个有说服力的理论是“通过同步进行绑定”。其思想是，代表同一物体特征的神经元会以节律性同步的方式发放它们的尖峰脉冲。为了探索这一点，我们可以设计不仅是整合器而且是谐振器的硅神经元。一个“谐振-发放”神经元具有自然频率，并且对与其偏好节奏同步到达的输入响应最强。通过连接这样的神经元，我们可以创建能够相互“锁定”的集合，形成临时的、同步的组合体，将特征绑定在一起。或者，我们可以使用更简单的相位振荡器神经元，它将神经元的整个状态简化为单个变量——其在持续周期中的相位。这些模型非常适合研究网络如何实现同步，并且在硬件中实现起来极其高效。
到目前为止，我们的硅脑电路大多是硬连线的。下一个飞跃是让它们能够从经验中学习和适应。在这里，我们发现了神经形态硬件与机器学习和统计学世界之间一个令人惊讶而深刻的联系。
人工智能的一大挑战是构建能够处理不确定性的系统。这就是概率推断的领域。一类被称为 Boltzmann Machines 的模型通过为网络的每种可能状态定义一个“能量”来解决这个问题，能量越低对应着越合理的解。该机器的目标是找到这些低能量状态。这在计算上非常困难，因为它涉及到从一个复杂的概率分布中采样。但在这里，硅神经元揭示了它的另一个秘密。通过在其膜电位中引入可控量的噪声，我们可以将其变成一个随机（概率性）设备。事实证明，一个带噪声的神经元的放电概率自然地遵循了实现 Boltzmann Machine 所需的确切数学形式——逻辑S型函数。在传统计算中通常被视为麻烦的噪声，在这里成为了一种基本的计算资源。
另一个强大的、受大脑启发的学习范式是储备池计算，或称液体状态机。这个想法既奇特又美妙：我们不是去精心设计一个复杂的网络，而是创建一个大型、固定、循环连接的神经元网络——即“储备池”或“液体”。这个网络具有复杂的动力学。当我们注入一个输入信号时，它会在液体中引起涟漪和回声的传播，这个液体就像一个丰富的、高维的、非线性的输入滤波器。液体在任何时刻的状态都包含了关于输入历史的丰富信息。“学习”部分变得异常简单：我们只需要训练一个简单的线性读出层来解释储备池的状态并产生期望的输出。这种方法对于处理[时间序列数据](@entry_id:636380)（如语音识别）的任务非常有效，并且完美地映射到神经形态硬件上。
虽然模仿大脑的感觉和学习能力是一个主要目标，但神经形态计算的原理可以应用于大脑从未进化去解决的问题。最令人兴奋的前沿之一是*组合优化*。
世界上许多最难的计算问题——从为船运公司规划物流，到设计新药分子或破解密码——都可以被重新表述为寻找一个被称为 Ising 模型的数学系统的“基态”（能量最小的构型）。物理学家知道，物理系统会自然冷却到其最低能量状态。那么，如果我们能构建一个物理系统，其能量景观与我们的优化问题相对应，会怎么样呢？
这正是一个硅神经元网络可以做到的。通过将神经元之间的突触权重设置为与 Ising 模型中的耦合（）相对应，神经元网络就成了该问题的物理实例化。随着网络的运行，其自然的动力学——一场兴奋与抑制的舞蹈——将引导它走向稳定的、低能量的状态，这些状态对应于原始问题的良好解。关键挑战之一是，现实世界的问题可能是稠密的（每个节点都与其他所有节点相连），而芯片上的连接是稀疏的、局部的。解决方案是一种称为次嵌入（minor embedding）的巧妙技术。为了表示一个高度连接的逻辑变量，我们使用由多个硬件神经元组成的链，它们之间通过强铁磁性耦合（因此它们都倾向于处于相同状态）。然后，这些链作为一个单元行动，我们可以根据问题的逻辑将它们连接起来。通过这种方式，硅神经元成为强大的、专门的协处理器，用于解决科学和工业界一些最棘手的问题。
设计单个电路是一回事，而构建和编程一个拥有数百万或数十亿神经元的系统则完全是另一回事。在这里，硅神经元的故事扩展成为一个关于系统工程、计算机体系结构甚至基础物理学的故事。
为了使这些庞大的系统可用，我们需要一个“编译器”——一个能将所需的神经网络自动映射到芯片物理资源上的工具。这本身就是一个艰巨的多目标优化问题。我们必须放置神经元并连接突触，以同时最小化能耗、减少延迟（信号传播所需时间）、使用尽可能小的硅面积，并避免在芯片的通信网络上造成交通拥堵。开发这些算法需要对从器件物理到网络理论等各个领域有深入的、跨学科的理解。
随着我们扩展到晶圆尺寸甚至3D堆叠系统，新的挑战随之出现。一个关键挑战是通信。你如何有效地在数十亿个神经元之间路由尖峰脉冲？一个有趣的见解来自于电子设计中一个名为*Rent法则的简单经验定律。它指出，对于嵌入在物理空间中的系统（如芯片或大脑），离开一个模块所需的连接数量随模块大小的增长而次线性增长。这个法则的一个直接后果是，扁平、统一的通信网络在大规模下注定会失败；布线需求将变得不可能满足。该法则在数学上证明*了分层架构的必要性，即信息在集群内进行局部处理，只有高度抽象的信息才通过长距离的全局路径发送。当然，这正是大脑所使用的策略，它拥有独特的区域、柱和层。同样的数学原理支配着计算机芯片和活体大脑的组织结构。
最后，还有一些具体、实际的细节。真实硬件的精度是有限的。如何将一个理想的、连续时间的、基于电导的神经元模型映射到一个数字的、离散时间的、基于电流的架构上，而不失计算的本质？这涉及到仔细的数值分析以确保仿真的稳定性，以及能够捕捉基本物理特性同时计算成本低廉的巧妙近似。这些挑战虽然是技术性的，但它们是理论的抽象之美与硅的无情现实相遇的地方，解决它们对于构建未来的大脑至关重要。
从单个尖峰脉冲的颤动，到晶圆级大脑的广阔分层架构，硅神经元的应用证明了一种统一的计算愿景——一个受生物学启发、植根于物理学、并旨在解决我们时代最巨大挑战的愿景。