日本东北大学电气通信研究所的守谷哲特任助教与佐藤茂雄教授等人的研究团队，通过模拟CMOS电路实现了如同人类大脑一样工作的脉冲神经网络（SNN）。通过采用在亚阈值区域工作的CMOS，不仅使SNN以智能手机功耗百万分之一的超低功耗运行，还证实了其可应用于语音识别任务，以及能够进行耐受制造偏差和温度变化的信息处理。相关研究成果已发表在期刊《IEEE Transactions on Circuits and Systems I：Regular Papers》上。
图1. 采用0.18微米CMOS工艺设计和制造的模拟脑脉冲神经元电路（左）和模拟脑脉冲神经网络电路（右）的显微照片。（供图：日本东北大学电气通信研究所）
在受生物脑神经网络启发的SNN中，信息表达与处理是基于神经细胞（神经元）输出的脉冲信号进行的。由于其具有在未产生脉冲时不进行信息处理的特性（事件驱动性），所以能够将功耗降至极低水平。为了充分发挥这一特性，需要高效实现SNN运行的专用硬件。
采用模拟电路制造专用硬件，通过使晶体管在亚阈值区域工作，可将功耗降至常规数字电路的1/100以下。然而，由于模拟电路显著受产品偏差和温度变化的影响，此前尚不明确在亚阈值区域工作的模拟电路能否实现耐受偏差的信息处理。
研究团队使用模拟CMOS电路构建了SNN，成功研制出可超低功耗运行的SNN芯片。神经元电路的单脉冲能耗为22.7飞焦耳（fJ），相较使用传统数字电路实现的SNN，功耗降低了2～3个数量级。
研究团队进一步构建了可最多连接6个该芯片的系统，并运用储备池计算框架将其应用于语音信号分类任务。该系统对“零”至“九”共10类语音进行分类，实现了八成以上的准确率。此外，研究显示，通过在网络中混入类似生物脑的工作模式不同的神经元，分类准确率可进一步提升。
此外，研究团队还考虑模拟电路应用中存在的制造偏差和温度变化问题，进行了语音信号分类任务的模拟。结果表明，通过在考虑偏差的条件下进行再学习，系统能够在元件尺寸偏差和温度变化环境中维持性能的稳定性。该结果表明，此次提出的系统与储备池计算技术具有高度的技术兼容性。
此次研究成果有望应用于无需电池或电池更换受限环境下也能运作的超低功耗信息处理器件。此外，研究还揭示了对模拟电路运行有显著影响的偏差进行容忍并利用的新型计算方法的可能性。
原文：《科学新闻》
翻译：JST客观日本编辑部
【论文信息】
期刊：IEEE Transactions on Circuits and Systems I: Regular Papers
论文：Analog VLSI implementation of subthreshold spiking neural networks and its application to reservoir computing
DOI：10.1109/TCSI.2025.3550876
