14020199044刘发强

牵牛导读

神经形态芯片对于神经网络的模拟，训练难度相对于软件神经网络大（基于反向传播的训练算法并不符合人脑特点）、可配置性低，但它的并行性好、可以模拟人脑对信息的时空多尺度处理特点，对于揭示人脑信息处理机制及低功耗实时应用潜力巨大。因此，将两者结合，取长补短具有一定的意义。一种通用的、完整的从神经网络模型到高可配置神经形态芯片参数映射的方法在正文中被介绍。

嵌牛鼻子

神经形态计算；FACETS；Wafer-Scale；软件模型；pyNN；计算神经科学；

嵌牛提问

神经形态芯片上的神经元和突触单元在二维的平面上，是不是限制了全局的连通性？神经元的信息传输编码不同于当前的数字通信，类似于数字计算机网络的通信实现是不是不能很好模拟人脑特点？

嵌牛正文

论文PDF链接

BrainScaleS system and workflow :https://arxiv.org/abs/1011.2861