HiAER-spike mjukvaru-hårdvaru omkonfigurerbar plattform för händelsestyrd neuromorf beräkning i skala

Varför en ny typ av dator spelar roll

Det mesta av dagens artificiella intelligens körs på hårdvara som designades för decennier sedan för kalkylblad och ordbehandlare, inte för hjärnor. När forskare driver utvecklingen mot smartare, mer energieffektiva maskiner stöter de på begränsningar i effekt, hastighet och skala. Denna artikel presenterar HiAER-Spike, en neuromorf plattform som bearbetar information i spikar — korta elektriska händelser — på ett sätt liknande verkliga neuroner. Uppbyggd som en delad resurs vid San Diego Supercomputer Center syftar den till att låta forskare världen över experimentera med hjärninspirerad AI i en skala som närmar sig små djurhjärnor, samtidigt som den använder betydligt mindre energi än konventionella system.

Att bygga en hjärninspirerad maskin

HiAER-Spike är ett stort kluster av servermaskiner, där varje maskin är fylld med kraftfulla omkonfigurerbara chip kallade FPGA:er. Istället för att köra vanliga programinstruktioner konfigureras dessa chip för att agera som stora nätverk av artificiella neuroner och synapser, så kallade spikande neurala nätverk. Hela systemet är designat för att hantera upp till ungefär 160 miljoner modellneuroner och 40 miljarder synapser — mer än dubbelt så många neuroner som i en mus hjärna — samtidigt som det kan simulera dem snabbare än realtid. En speciell kommunikationsmetod, kallad hierarkisk address‑event routing, säkerställer att spikar snabbt kan förflytta sig mellan neurongrupper på samma chip, över olika chip och även mellan servrar, genom att balansera tät lokal trafik med glesa långdistansförbindelser, mycket likt grå och vit substans i hjärnan.

Att få plats med enorma nätverk i begränsad hårdvara

En stor utmaning vid konstruktion av sådana system är helt enkelt att lagra alla förbindelser. Moderna neurala nätverk är ofta mycket stora men också glesa: de flesta möjliga kopplingar används inte. HiAER-Spike utnyttjar denna gleshet genom att enbart lagra befintliga förbindelser i en effektiv lista, istället för i ett fullständigt rutnät av alla möjligheter. Synaptiska vikter finns i högbandbreddminne på varje FPGA, medan de snabbt föränderliga tillstånden hos neuroner och axoner hålls i snabbare on‑chip‑minne. När spikar inträffar slår systemet först upp vilka synapser som påverkas, hämtar sedan deras styrkor och uppdaterar målsneuronerna. Denna tvåstegsprocess, i kombination med noggrann packning av data i minnet, håller energiförbrukning och fördröjning låg även när nätverken växer stora.

Gör avancerad hårdvara lättanvänd

För att öppna denna specialiserade maskin för icke‑experter skapade författarna ett hög nivå‑programmeringsgränssnitt i Python och C++. Användare beskriver sina spikande nätverk med enkla objekt — definierar neuronaltyper, ingångar, kopplingar och utgångar — utan att behöva bry sig om låg nivå‑hårdvarudetaljer. Samma kod kan köras antingen som en lokal mjukvarusimulering eller, om den skickas via Neuroscience Gateway‑portalen, på själva HiAER‑Spike‑hårdvaran. Plattformen stöder idag enkla binära neuroner och läckande integrera‑och‑eldas‑neuroner, med valmöjligheter för slumpmässighet i deras beteende, och tillåter blandning av olika neuronaltyper inom ett nätverk. Denna design låter forskare prototypa modeller på en laptop och sedan sömlöst skala upp dem till det stora neuromorfa klustret.

Använda spikar för verkliga uppgifter

För att visa vad plattformen kan göra konverterade teamet en rad standardmodeller för syn och styrning till spikform och körde dem på en enda kärna i en FPGA. De testade sifferräkning på den klassiska MNIST‑datamängden, gestigenkänning med händelsebaserade kameror som avger spikar istället för bildrutor, objektigenkänning på CIFAR‑10‑bilder och till och med styrning i Atari‑spelet Pong med en spikbaserad representation av rörelse. I dessa uppgifter matchade hårdvaran nära mjukvarusimuleringarnas noggrannhet efter viktkvantisering, ofta med skillnader på mindre än ett par procentenheter, samtidigt som den levererade mycket låg latens och energieffektivitet. Till exempel nådde vissa nätverk för sifferigenkänning över 98 procents noggrannhet med bara mikrojoule i energianvändning och mikrosekunder i fördröjning per bild.

Vart denna nya plattform kan leda

För en lekmannaläsare är huvudbudskapet att HiAER‑Spike är ett flexibelt, hjärninspirerat beräkningsprovtak som vem som helst i forskarsamhället kan använda på distans. Redan i ett tidigt skede kan en enda kärna köra omfångsrika spikande nätverk för uppgifter som att känna igen gester från händelsebaserade kameror, med avsevärt mindre energi och tid än många konkurrerande system. När fler kärnor och kort tas i drift och när mjukvaran får rikare neuronmodeller och inlärningsregler kan denna plattform bidra till att bygga broar mellan neurovetenskap och AI — och stödja experiment som utforskar hur stora nätverk av spikar kan möjliggöra effektiv perception, beslutsfattande och framtida låg‑energi intelligenta enheter.

Citering: Frank, G., Hota, G., Wang, K. et al. HiAER-spike software-hardware reconfigurable platform for event-driven neuromorphic computing at scale. npj Unconv. Comput. 3, 22 (2026). https://doi.org/10.1038/s44335-026-00062-8

Nyckelord: neuromorf beräkning, spikande neurala nätverk, FPGA-accelerator, händelsebaserad vision, hjärninspirerad hårdvara