摘要: 现代计算机自问世以来一直采用冯·诺依曼结构，即运算器与存储器分离，这种结构使得运算器与存储器之间的数据传输成为影响系统性能的瓶颈(称为冯·诺依曼瓶颈)，大大限制了计算机性能的提高；同时，由于现代计算机中的运算器和主存储器都是易失性器件，不仅在断电后信息立即消失，而且具有较高的能耗。作为对比，人类的大脑是一个高效的信息存储与计算系统，而且具有非常低的功耗(约20W)。主要原因在于人脑对信息独特的处理方式。人脑是一个由约1011神经元和1015突触构成的高度互连、大规模并行、结构可变的复杂网络。在神经网络中，神经元被认为是大脑的计算引擎，它并行地接受来自与树突相连的数以千计的突触的输入信号。突触可塑性即是通过特定模式的突触活动产生突触权重变化的生物过程，这个过程被认为是大脑学习和记忆的源头。可以看出，人脑是一种典型的非冯·诺依曼构架，即存储与计算于一体的并行信息处理模式，并且还具有自适应学习能力、高的容错能力和抗干扰能力。随着计算数据复杂度的提高，神经网络型信息处理模式的效率将会明显优于传统计算机。为了实现这种神经形态信息存储与计算特性，人们已经尝试采用传统硅基器件和电路来模拟神经形态存储与计算功能。由于模拟单个神经元功能所需要的器件多、电路复杂，在大规模集成方面仍然面临着高密度和低能耗的挑战。