完美的记录、计算魔法和剑舞的机智：这就是我们都想要的大脑，但如何设计这样的大脑呢？真实的大脑由大约800亿个神经元组成，它们通过成千上万的突触连接协调着彼此之间的关系。人类的大脑没有像标准笔记本电脑那样的集中处理器。

相反，许多计算是并行运行的，并且结果进行比较。虽然人类大脑的运作原理还没有完全被理解，但现有的数学算法可以用来将深度学习原理重新转化为更像人脑的系统。这个受到大脑启发的计算范式——脉冲神经网络（SNN），提供了一个与同时使用光电组件的系统潜在优势非常相符的计算架构。

在SNN中，信息以脉冲或动作电位的形式被处理，这些脉冲或动作电位是真实神经元在发放时产生的电信号。它们的主要特点之一是采用异步处理，这意味着脉冲是按时间顺序处理的，而不像传统神经网络一样批量处理。这使得SNN能够快速对其输入中的变化做出反应，并且能够更有效地执行某些类型的计算，比传统神经网络更高效。

SNNs还能实现某些传统神经网络中难以实现或不可能实现的神经计算类型，如时间处理和时序相关可塑性（STDP），这是一种基于时序的海比学习形式，使神经元能根据其脉冲的时序改变其突触连接。（海比学习总结为“一起发射的细胞互相连接。”它适用于模拟大脑学习能力的可塑性的数学模型。）

最近在IEEE量子电子选题杂志上发表的一篇论文描述了一种利用光电神经元、模拟电路和马赫-泽赫德干涉仪网格相互整合的SNN装置的开发。这些网格是光电路组件，可以执行矩阵乘法，类似于突触网格在人脑中运行的方式。

作者们展示了光电神经元可以从光通信网络接收输入，通过模拟电路处理信息，并通过激光与网络进行通信。这个过程比传统的仅电子系统更快地传输数据和进行系统之间的通信。

这篇论文还描述了使用现有算法，如随机反向传播和对比赫比学习来创建类脑计算系统。这些算法使系统能够像人类大脑一样从每个突触的本地信息中学习，相较于使用反向传播的传统机器学习系统，在计算性能方面提供了显著优势。

关于人工智能和机器学习，SNN相对于现代计算范式提供了几个优点，这些优点适用于模拟自然演化条件的任务。由于SNN以连续方式处理数据，因此它们非常适合位于实时环境中，每次只展示单个推理和学习实例的应用程序（例如基于事件的信号处理）。

此外，信息的传播随着时间的推移，允许在不同的时间尺度上出现多种形式的记忆，就像人类之间的工作记忆、短期记忆和长期记忆的区别一样。神经形态感知和机器人技术是SNN的常见应用，例如自适应机器人臂控制器可以在执行器磨损时提供可靠的电动机控制。

更加推测性地说，未来设备可以在语音助手、实时字幕服务或音频分离方面利用这些特性进行自然语言处理，同样地，脉冲神经网络可以用于自动驾驶车辆或监控系统中的实时视频和雷达处理。