神经形态计算和脉冲神经网络的文献计量回顾
摘要：神经形态计算和脉冲神经网络旨在借鉴生物学启示，实现超越传统冯 诺依曼结构机器的更高能效和计算能力。尤其是脉冲神经网络有潜力作为第三代神经网络的基础来推动人工智能的发展。在记忆电阻和存于内存计算技术的发展帮助下，神经形态计算硬件正在从实验室原型设备过渡到商业芯片组，引领着低功耗计算的时代。作为生物学、计算和材料科学的交汇点，围绕这些概念的文献是广泛的、多样的，并且与人工神经网络的来源有所区别。本文利用文献计量分析调查了过去22年的文献，旨在建立出版和引用数量的趋势（III-A）；分析有影响力的作者、期刊和机构（III-B）；生成一个入门阅读列表（III-C）；调查国家、研究机构与作者之间的合作（III-D），并分析多年来研究主题的变化（III-E）。我们使用 Clarivate Web of Science 中的文献数据进行了标准文献计量分析。通过简要介绍过去两十年领域内最有影响力的文献，我们鼓励人工智能从业者和研究人员展望超越当代技术的、潜在的脉冲未来计算。
作者：Nicholas J. Pritchard, Andreas Wicenec, Mohammed Bennamoun and Richard Dodson
论文ID：2304.06897
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-04-17