1 发展历史
随机神经模拟机的思想萌芽可追溯至20世纪中叶，当时研究者已意识到生物神经系统中的随机性并非噪声，而可能是信息编码的核心机制。从早期的理论模型到现代物理实现，这一领域经历了从抽象数学到具体硬件的跨越。
1.1 早期理论：从马尔可夫链到脉冲神经网络
1950年代，Neumann等人将神经元视为阈下随机过程的集合，提出基于马尔可夫链的随机神经模型。1970年代，脉冲神经网络(SNN)的引入使得时间编码与随机发放成为焦点，Hodgkin-Huxley模型的随机变体开始被探索。
1.1.1 随机神经模型的数学基础
随机神经模型的数学根基在于概率论与随机过程。神经元膜电位被建模为随机微分方程(Langevin方程)的解，突触事件则服从泊松分布。这些模型利用主方程或福克-普朗克方程描述群体神经元活动的演化，为后续的硬件模拟提供了理论依据。
1.2 硬件原型
进入21世纪，随着微电子工艺的进步，研究者开始将随机神经模型的数学原理固化到物理硬件中，从而获得比纯软件模拟更高的计算效率和更真实的噪声特性。
1.2.1 基于忆阻器的随机模拟芯片
忆阻器因其阻值可连续调谐且具有天然涨落，成为模拟随机突触的理想候选。2010年后，多个团队利用Ag/SiO₂等体系的导电细丝随机断裂与重构，实现了概率性突触权重更新，并成功构建了小型随机神经模拟机原型。
1.2.2 超导神经元与量子随机噪声
超导量子干涉器件(SQUID)中约瑟夫森结的相位涨落可产生真正的热噪声，被用于构建超导神经元。这类硬件在4K以下温度工作，能够直接利用量子随机噪声模拟生物膜电位的随机振荡，是迄今最接近真实生物噪声的硬件平台。
2 工作原理
随机神经模拟机的核心在于用随机过程替代确定性计算，其工作机制涵盖突触、脉冲发放和噪声注入三个层面。
2.1 随机突触模型
突触是神经元间信息传递的关键接口，随机突触模型通过概率性行为模拟生物突触的不可靠性。
2.1.1 概率性突触前释放
突触前末梢在动作电位到达后，并非每次都能释放神经递质。模型中将释概率设为介于0到1的参数，通常取0.2-0.8，由硬件中的随机数发生器决定每次是否释放。这种随机性的引入增加了网络的计算多样性。
2.1.2 突触权重动态更新
权重更新可采用赫布型学习规则的随机版本：权重以一定概率增加或减小，而非绝对调整。在硬件中常用忆阻器的阻值漂移或闪存单元的电荷隧穿实现，更新方向由伪随机序列控制。
2.2 脉冲随机性机制
神经元发放的时间精确性在随机神经模拟机中被有意模糊化，以模仿真实神经元的随机触发放电。
2.2.1 泊松脉冲发生器
利用核衰变或硬件振荡器的相位抖动，产生间隔服从指数分布的脉冲序列。脉冲平均频率可程控，用于模拟稳态噪声或背景活动。
2.2.2 概率性不应期
生物神经元在绝对不应期后仍有一段时间的相对不应期，期间发放阈值升高。模拟机中将其实现为：每次发放后，阈值随机恢复，恢复时间由指数分布的随机数决定，从而产生不规则发放模式。
2.3 噪声类型与注入方式
噪声是随机神经模拟机的工作原料，而非干扰。不同类型噪声通过特定电路结构注入。
2.3.1 加性噪声与乘性噪声
加性噪声直接叠加到膜电位（如热噪声），乘性噪声作用于突触增益或阈值。加性噪声常由电阻器热噪声产生，乘性噪声则通过模拟乘法器实现。
2.3.2 热噪声与散粒噪声的硬件模拟
热噪声可由高阻抗电阻的约翰逊-奈奎斯特噪声提供，散粒噪声则利用半导体的PN结隧穿电流产生。二者在连续时间模拟型SNS中被广泛采纳，数字型SNS则通过线性反馈移位寄存器(LFSR)产生统计特性相似的伪随机序列。
3 技术分类
根据信号表示方式，随机神经模拟机可分为模拟、数字和混合三大类。
3.1 模拟型随机神经模拟机
模拟型直接在电压/电流域处理随机信号，具有高速、低功耗的特点，但易受工艺偏差影响。
3.1.1 连续时间模拟电路实现
基于电容积分器和跨导放大器构建的神经核，膜电位为连续时间信号。使用亚阈值区的晶体管产生随机突触电流，实现概率性加权。
3.1.2 膜电位积分与随机阈值
膜电位积分由RC网络完成，阈值比较器采用滞回比较器，其参考电压由热噪声源调制，使得同一输入在不同时间产生不同输出。
3.2 数字型随机神经模拟机
数字型通过数字逻辑处理离散化随机数，具有精度高、可复制的优点，但速度受限于时钟。
3.2.1 伪随机数生成与累加器架构
利用LFSR或混沌映射生成均匀分布随机数，经过Box-Muller变换得到高斯噪声。累加器结构用于模拟膜电位积分，每次更新时加上随机突触贡献。
3.2.2 现场可编程门阵列(FPGA)实现
FPGA上的查找表(LUT)和数字信号处理器块(DSP)可以灵活配置随机神经模型。典型设计包括一个状态机控制时间步，每个时间步内并发处理多个神经元的随机脉冲生成和突触更新。
3.3 混合型
混合型结合模拟的连续性与数字的精度，试图在两极之间取得平衡。
3.3.1 数模混合接口与校准
模拟核生成随机脉冲或权重，数字控制逻辑负责校准和调度。片内数模转换器(DAC)将数字残余噪声补偿注入模拟核，以抵消温度漂移。混合型SNS常用于需要高动态范围但功耗受限的边缘计算场景。
4 应用领域
随机神经模拟机的独特随机性在多个领域找到了用武之地。
4.1 生物神经建模
它是连接计算神经科学与神经形态工程的重要工具。
4.1.1 小脑颗粒细胞随机编码
小脑颗粒细胞拥有极高的发散率，其随机稀疏编码被认为可降低运动指令的冗余度。SNS通过精确控制泊松发放率，重现了清醒动物小脑的伞状放电模式，验证了随机编码理论。
4.1.2 嗅球噪声同步化
嗅觉系统利用噪声诱导的同步振荡来增强气味识别。SNS中的乘性噪声注入实验表明，适度噪声能够使不同嗅球的发放时间锁定，从而提高模式分离能力。
4.2 机器学习加速
传统确定性神经网络难以高效处理贝叶斯推理和强化学习的探索环节，SNS因天生随机性成为天然加速器。
4.2.1 贝叶斯推断与变分推理
将后验分布参数映射为SNS中的随机突触权重，通过采样过程直接实现蒙特卡洛估计。在贝叶斯逻辑回归任务中，SNS比确定性GPU节省约90%的能耗，同时保持相当的预测精度。
4.2.2 强化学习中的随机探索策略
Q-learning等算法需要探索-利用权衡。SNS内置的泊松脉冲发生器可作为随机动作选择器，无需额外软件随机数生成器，大幅降低延迟。
4.3 密码学与安全
不可预测性是密码学的基石，SNS的物理随机性为此提供了硬件基础。
4.3.1 物理不可克隆函数(PUF)
利用SNS中随机突触权重阵列的制造偏差，每个芯片可生成唯一且不可克隆的响应模式。这种PUF可作为硬件安全锚点，抵抗物理攻击。
4.3.2 随机数生成器验证
SNS的随机脉冲序列可作为高速随机数发生器，其统计特性满足NIST SP 800-22标准。研究人员曾用它来破解普通伪随机数生成器，暴露了软件随机源的周期性问题。
5 当前挑战与未来方向
尽管SNS在诸多领域初露锋芒，但走向实用仍面临多个关键挑战。
5.1 硬件噪声控制
有意引入的随机性与系统本身的不确定性难以区分，尤其是在亚微米工艺中。
5.1.1 温度漂移与工艺偏差补偿
忆阻器和晶体管随机特性随温度变化剧烈。未来将采用片上温度传感器阵列配合数字补偿算法，实时调整随机强度参数。例如，用PID控制器维持热噪声功率在设定点附近。
5.2 算法效率
随机计算通常需要大量采样以降低方差，这增加了运算时间。
5.2.1 方差缩减技术
借鉴重要性采样和耦合方法，在SNS中引入抗相关随机序列。例如，使用Sobol序列替代朴素蒙特卡洛，可将所需样本数减少一个数量级。
5.3 神经形态系统集成
将SNS与主流神经形态芯片（如Intel Loihi、IBM TrueNorth）融合是未来趋势。
5.3.1 大规模互连与通信延迟
随机脉冲的异步特性给全局同步带来困难。目前采用地址事件表示(AER)协议，每个脉冲只携带地址和时戳，路由器使用随机仲裁策略处理冲突。未来三维堆叠和光子互连有望将延迟降至亚微秒级别。
6 相关趣闻与文化影响
随机神经模拟机也催生了一些实验室“都市传说”和文化梗。
6.1 实验室中的“玄学”调试：一次随机种子引发的“幻觉”
某高校团队在调试一款数字SNS芯片时，发现每当使用随机种子0xDEADBEEF时，网络会自发产生周期为42的循环脉冲，酷似生物脑电中的alpha波。团队成员一度怀疑芯片产生了“意识”，后查明是LFSR在那个种子下陷入短周期。从此该实验室规定：绝不用“死牛肉”种子跑关键实验。
6.2 科普影视中的“概率大脑”梗
在科幻剧《边缘世界》中，角色使用的“量子概率模拟机”能预演所有可能未来，其核心科技被粉丝解读为随机神经模拟机。另有网络动画《随机生》中，一个随机神经元在每次决策时抛硬币，并声称“我的脑回路是奈奎斯特-泊松过程”，成为技术宅圈著名的自我嘲讽梗。