分析大脑神经连接的能力是脑机接口(BCI)技术的重要基础，对于控制人造肢体、增强人类智能等应用十分关键。要使分析更精确，快速准确解读大脑众多神经元的复杂信号不可或缺。据IEEE神经系统与康复工程学报，韩国科学技术研究院(KIST)半导体技术研究中心的朴钟吉博士及其团队提出新方法，模仿大脑学习原理，为相关研究带来新进展。

研究团队基于尖峰时间依赖性可塑性(STDP)原理构建方法，此原理是大脑会根据神经元间信号发放顺序调整连接强度。借助该原理，团队能实时学习大脑神经网络连接情况，无需存储所有神经元活动。传统方法需长时间存储神经元活动数据，再利用统计方法计算连接，随着神经网络规模扩大，需大量计算资源且存在时间延迟，在众多信号同时发生的环境中，实时分析几乎无法实现。

KIST研究人员开发的新学习算法，可显著减少STDP硬件实现所需的大量内存。该技术消除耗内存的反向查找表，使STDP在高度集成的神经形态硬件上也能以可扩展结构实现。基于此，基于片上学习的神经形态系统处理速度比现有传统技术快20,000倍，且保持类似解释准确性。神经形态工程是新一代人工智能半导体，但因缺乏特定应用领域，商业化困难。KIST研究人员的“实时大脑神经连接分析”技术，成为展示神经形态工程实际应用、推动下一代人工智能半导体商业化的重要转折。朴钟吉博士称：“这一成就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的重要转折点。”他还表示，该技术凭借简单硬件结构和易扩展特性，可应用于自动驾驶汽车、卫星通信等高级人工智能领域。

更多信息： Daeyoung Kim 等人，《基于脉冲神经形态系统的实时大规模神经连接性推断》，IEEE 神经系统与康复工程学报(2025)。