编辑推荐：
柔性脑启发计算系统通过材料、结构与模型协同设计，结合神经形态硬件与脉冲神经网络，实现高能效、并行计算及边缘应用。该领域重点解决柔性可穿戴设备的材料柔韧性与器件稳定性，以及通过近传感器计算提升实时数据处理能力。研究进展涵盖MXene基柔性系统、多模态感知神经元构建等创新方案，为物联网、智能医疗等场景提供高精度低功耗计算平台。
作者：曹颖、陈敬荣、关晓阳、陈月娇、田晓聪、范曦、傅洪、徐秉刚
香港理工大学时装与纺织学院纳米技术中心，中国香港999077
摘要
近年来，随着人工智能（AI）的快速发展，对大规模数据存储和计算的需求日益增长。受大脑启发的计算方式具有许多优势，如高速处理和低功耗，成为满足这一需求的有前景的候选技术。人们从人类大脑的各个方面（包括结构、架构、处理策略、功能和工作方式）中汲取灵感，以实现大脑的计算优势。由于突触作为大脑的基本组成部分具有柔软性和可变形性，基于大脑的灵活计算系统受到了广泛关注。然而，关于先进设计方面的综述较少。本文全面回顾了该领域的最新进展。首先简要介绍了背景和机制，然后阐述了材料、结构和模型设计中的关键考虑因素以及实现设备柔性和高级智能的解决方案。接下来总结了提高整体性能的策略。最后提出了未来灵活大脑计算的设计思路。
引言
人工智能（AI）的发展对高性能计算提出了高要求。机器学习（ML）算法在处理大型数据集时需要大量计算资源[1]。AI在从信息解释方式到材料与设备研究方法等多个领域引发了革命[2]、[3]。特别是，AI成为新材料研究和系统性能提升的强大工具[4]、[5]、[6]、[7]，这也推动了先进计算系统的发展。传统的冯·诺依曼计算方式由于内存和处理单元分离，导致数据传输频繁，从而能耗显著增加[8]、[9]、[10]、[11]、[12]。人类大脑在高速处理和低功耗方面提供了许多启示，使其成为当前研究的热点。大脑中约有10^11个神经元通过约10^15个突触连接，进行高速计算时的能耗可低于20瓦。因此，大脑能够在极低的功耗下完成许多复杂任务。人们从大脑中获取灵感，设计出具有一定大脑功能的人工电子设备。特别是，生物突触的长期可塑性调节了稳定的突触传输，这一功能已通过电子硬件实现[13]。此外，许多传感器集成计算设备将存储和计算功能结合在一起，以解决功耗和计算延迟问题[14]、[15]。作为大脑的基本组成部分，突触具有柔软性和可变形性[16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]，因此基于大脑的灵活计算技术受到广泛关注，可应用于物联网（IoT）、智能医疗、人机交互（HMI）、智能可穿戴设备等领域[32]、[33]（图1）。考虑到可穿戴性和生物相容性[34]、[35]、[36]、[37]，基于大脑的灵活电子技术在仿生学中具有重要意义[38]、[39]、[40]。此外，基于大脑的灵活计算技术为脑机接口（BMI）提供了强大支持，后者是大脑智能技术的关键组成部分，具有长期稳定性、高精度解码等优势[41]、[42]、[43]、[44]、[45]。
人们从大脑神经回路的工作方式中受到启发，对脉冲神经网络（SNNs）给予了极大关注，这些网络在处理时间信息和事件驱动任务方面具有优势[46]、[47]。除了计算模型外，神经形态硬件平台对于完整模拟大脑功能也非常重要。通常，大脑计算的材料、架构和模型是同步开发的。人们从大脑的整体信息处理过程（包括感知、处理、存储和响应）中汲取灵感。此外，基于大脑的计算还追求高计算速度和低功耗。
近年来，基于大脑的灵活计算技术取得了快速进展。一种称为“神经形态中间表示”（NIR）的通用参考框架得到了验证，它能够支持许多神经形态系统[46]。多时间尺度的动态特性通过多室脉冲神经模型实现，在多种时间计算基准测试中表现优于传统SNNs，具有更高的准确性和执行效率[47]。具有内存处理的神经形态计算系统是边缘计算、运动规划和图像分类的理想候选者。为了数据收集和处理，特别是在健康监测等领域，设计了更加灵活的基于大脑的计算系统，这些系统需要具备可穿戴性和用户友好性[48]、[49]、[50]、[51]。基于MXene的灵活近传感器计算系统已被开发出来，其识别人类运动的准确率高达97.96%[52]。还提出了一种由柔性忆阻器组成的跨模态感觉神经元，该系统在真实世界应用中能够获取更多对象特征，动态物体识别的准确率达到98.1%[53]。
许多高质量的原创论文已发表[54]。随着时间的推移，引用频率急剧上升，如图2所示。本文重点介绍了与材料、结构、架构、电路和应用相关的基于大脑的灵活计算的先进设计，考虑了丰富的功能、提高的准确性、增强的处理能力和简化的硬件设计复杂性等因素，如图3所示。首先介绍了基于大脑的灵活计算的基本背景，然后展示了材料、结构和模型的协同设计，以及如何从大脑功能中学习并实现系统的灵活性。讨论了在设计先进计算系统时应关注的关键因素，包括进一步提高计算性能和降低功耗的策略。最后，提出了一些关于未来基于大脑的计算设备的展望。
机制
大脑中约有10^11个神经元通过约10^15个突触连接，但在进行高速计算时仅消耗<20瓦的能量[62]。此外，学习、思考和认知行为每个突触事件仅需约100飞焦耳的能量，显示出其在能效计算方面的卓越性能。大脑的计算利用了离子浓度和动作电位的梯度，这体现了其独特性。
材料、结构和模型的协同设计
为了实现基于大脑的计算，需要材料、结构和模型的协同进化，因为大脑在多个方面超越了当前先进的结构和模型，尤其是在低功耗方面[46]。为了模仿人类神经系统的效率，人们对新型材料、结构和模型有着迫切需求[98]。人们从多个角度进行了探索。
提高整体性能的基于大脑的计算设计策略
理想情况下，基于大脑的计算应能够全面模拟人类应对外部刺激和处理信息的方式，从而实现更高级的智能。当外部刺激和信息通过各种受体传递到大脑后，由神经元进行处理，随后做出相应的决策[110]、[111]、[112]、[113]。
高计算能力
随着大数据时代的到来，对计算能力的需求不断增加[9]、[161]。人们期望进一步优化计算速度、计算并行性、降低识别噪声和提高可靠性，以处理海量数据，因此提出了许多方法[128]、[162]、[163]、[164]、[165]、[166]。通过将内存单元与计算模块集成，可以实现计算和存储的协同工作。
展望
总体而言，本文深入回顾了近期进展，包括材料、结构和模型的协同设计、提高整体性能和计算能力、降低功耗，以及与传感器集成或近传感器计算的兼容性等方面的应用扩展。已经取得了显著进展。
作者贡献声明
曹颖：撰写——原始草稿、方法论、研究。
陈敬荣：方法论、研究。
关晓阳：撰写——审稿与编辑、方法论。
陈月娇：撰写——审稿与编辑、方法论。
田晓聪：方法论、研究。
范曦：方法论。
傅洪：撰写——审稿与编辑、监督、方法论、研究。
徐秉刚：撰写——审稿与编辑、监督、资源协调、方法论、资金获取、概念构思。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究工作。
致谢
本工作得到了香港理工大学的支持（项目编号：4-YWER、1-BBH6、1-CDPF、1-WZ1Y）。
