分析大脑神经连接的能力正逐渐成为脑机接口（BCI）技术的关键基础，例如控制人工肢体和增强人类智能。为了使这些分析更加精确，快速准确地解读来自大脑中众多神经元的复杂信号至关重要。

据外媒报道，韩国科学技术研究院（Korea Institute of Science and Technology，KIST）半导体技术研究中心的Jongkil Park博士及其团队提出了一种模拟大脑学习原理的新方法。相关研究论文发表在期刊在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上。

图片来源： KIST

该团队构建了尖峰时间依赖性可塑性（STDP）原理，即大脑会根据神经元间信号发放的顺序来调整连接强度。这使得他们能够实时学习大脑神经网络的连接性，而无需存储所有神经元的活动数据。

传统方法需要长时间存储神经元活动数据，然后使用统计方法计算神经元之间的连接。随着神经网络规模的增长，这种方法需要大量的计算资源和时间延迟，使得在像大脑这样大量信号同时发生的环境中进行实时分析几乎不可能。

KIST的研究人员开发了一种新型学习算法，能够显著降低STDP硬件实现所需的内存量。该技术通过消除耗内存的反向查找表，使得STDP即使在高度集成的神经形态硬件上也能以可扩展的结构实现。

因此，基于片上学习的神经形态系统在保持与现有传统技术相近的解释精度的同时，处理速度提高了高达20000倍。

神经形态工程是新一代人工智能半导体技术，它模仿大脑的神经网络结构和学习行为，以模拟人类认知，是美国和欧洲等主要工业化国家确保技术霸权的战略投资领域。

然而，由于缺乏像大脑那样具有实用价值的特定应用领域或“杀手级应用”，商业化一直举步维艰。

在此背景下，KIST研究人员开发的“实时脑神经连接分析”技术，正是神经形态工程实际应用的一个例证，也是下一代人工智能半导体商业化进程中的一个重要转折点。

“这项成果标志着神经形态计算发展成为解决现实世界问题的强大工具，这是一个重要的转折点，”KIST的Park Jongkil博士表示。“凭借其简单的硬件结构和易于扩展的特性，它可以通过意念控制设备或复制特定的大脑功能，应用于自动驾驶汽车和卫星通信等先进的人工智能领域，还可以实时分析复杂的传感器信号，其中时间序列和因果关系至关重要。”