类脑计算又被称为神经形态计算，类脑计算试图模拟生物神经网络的结构和信息加工过程。它在软件层面的尝试之一是脉冲神经网络(SNN)。“类脑计算”，就是指仿真、模拟和学习借鉴人脑的神经系统结构和信息处理过程，构建出具有学习能力的超低功耗新型计算系统。

       9月1日，杭州召开亿级神经元类脑计算机重大成果新闻发布会。由之江实验室主任、浙江大学完成了该类脑计算机的研发设计。项目团队将基于我国自主产权类脑芯片，研制规模更大的神经元类脑计算机，同时研究支撑其运行与开发的类脑基础软件体系，并逐步实现开源与开放，为我国类脑计算新技术的发展贡献力量。

       由芯片阵列组成的“类脑计算”系统的识别和感官处理能力相当于人脑的6400万个神经元和160亿个神经突触。采用了类脑神经网络设计，在执行图像识别与综合感官处理等复杂认知任务时，效率远远高于传统计算机芯片。神经网络芯片打造的“类脑计算”具有显著的高速运行和低能耗特征。“类脑计算”的研究主要包括神经科学、大脑信息处理原理、类脑计算器和类脑学习与处理算法等领域。

       神经网络硬件

       是支持模拟神经网络模型的规模及神经计算速度的硬件系统。其主要实现硬件包括FPGA实现、神经芯片以及DSP加速板等。硬件实现研究的核心是神经器件的构造，国际上主要研究的内容有电子、光学、生物学神经芯片。神经网络的硬件实现可追溯到60年代，最为著名的便是感知机和ADALINE神经网络模型的实现。

       感知机和ADALINE均为单个神经元模型，它们均能接受多路输入，并能自适应地修改与这些输入相对应的突触强度(互连权值)，然而它们在实现上有所不同。在感知机中，其突触强度通过一种电子机械的方法来改变(通过一个电动马达的转动来改变突触强度)，这种实现有许多缺点，如体积大，价格高，运行不可靠等。Widrow的ADALINE实现中则用电阻的方法来表示突触强度。

       1974年，第一块神经元芯片被开发。芯片上只包含一个神经元，具有多个输入端且其互连强度可以自适应的改变。要构造具有多个神经元的网络，只需将许多这种芯片在插件板上排列并互连起来就可以了。将许多这种插件板构建在一起便可满足神经网络在商业和军事上的许多应用目的。

       在进行神经网络的研究中，要使神经网络在实际中能进行有效的应用，或是支持更好的神经网络研究，神经网络实现技术必须能够支持大规模的神经网络模型的神经计算，同时要能尽可能地缩短神经计算的时间j达到实时的水平。但是现有的各种神经网络软件模拟环境所能支持模拟神经网络模型的规模及神经计算速度都还远远达不到研究和应用所需要的水平。因此，开展大规模的硬件实现的神经网络计算机的研制势在必行。

       神经网络的实现技术

       可以分为硬件实现和虚拟实现两个方面。所谓硬件实现是指物理上的处理单元及处理单元之间通讯与一个具体问题的神经网络模型中的神经元及连结一一对应，每一神经元及每一连接都有与之对应的物理器件。全硬件实现的最大优点是处理速度快，且易于满足实时性要求，但是缺乏通用性、灵活性和可编程性。硬件实现研究的核心是神经器件的构造。当前国际上该项目研究的主要内容有：

       1)电子神经芯片的研究;2)光学神经芯片的研究;3)分子/生物神经芯片的研究;

       神经网络的硬件实现方法可分为以下几种：

       1、超大规模集成电路处理器：又可分为模拟VLSI实现、数字VLSI实现、模/数混合VLSI实现和光电实现;2、光处理器：分为纯光学处理器和光电混合处理器;3、分子处理器：有磁性材料处理器和生物材料处理器;4、量子处理器。