认知计算

认知计算是计算的一个分支，它像大脑一样使用计算机模型来寻找某些复杂问题的答案。认知计算基本上是神经形态和冯诺依曼计算模型的融合。传统上，计算机基于冯诺依曼计算机模型，因为它们过去用于执行分析操作而不是执行推理操作，但是如今计算机网络已经变得越来越进步。当今世界正在关注人工智能和机器学习在计算机和各种设备中的集成，以解决各种复杂问题。目前，许多设备使用人工神经网络 (ANN)来模拟大脑工作的逻辑，以完成一些非常复杂的任务。尽管 ANN 非常有用，但它也有一定的局限性。这种情况催生了一种新的计算形式，称为认知计算。

什么是神经形态计算？

神经形态计算涉及设计计算机芯片，这些芯片与我们自己的大脑使用的计算物理相同。这些芯片使用神经网络相互通信。神经形态计算的主要目标是在非常短的时间内执行非常复杂的逻辑和推理操作，同时使用非常少的功率。虽然神经网络非常有效，但它仍然不能完全取代冯诺依曼计算模型，因为它比神经形态系统更好地执行分析和迭代操作。这种合并类似于我们大脑中左脑执行分析操作的合并代表计算的冯诺依曼模型，右脑执行所有涉及推理和创造力的操作，类似于神经形态模型。

认知计算架构

认知计算是一种异构模型，它使计算机化设备的工作在各个方面都是有益的，从而能够解决人脑和计算机可以解决的任何问题。认知计算芯片的架构具有作为节点（神经元）并行运行的神经突触核，由处理器（细胞体）、数据总线（轴突）和存储器（突触）组成。这些节点被分配了特定的权重，并被提供大量数据，这些数据最终相互连接以执行任务。这些芯片不断地分析和学习数据。

认知计算芯片的主要特点是-

• 这些以无时钟事件驱动的方式工作，从而降低能耗并提高性能。
• 这里的无时钟事件驱动方式意味着，与每个逻辑阶段都必须同步的传统处理器不同，在认知计算机中，每个阶段都可以是异步的，其中逻辑组件可以以不同的速度运行，从而更快地完成动作。
• 神经可塑性：认知计算芯片具有容错性，如果神经突触核心之一停止工作，则不会停止工作。神经网络像我们的大脑一样自适应并通过其他核心。