一種新的神經形態計算方法提議利用聲波，而非電信號，來模擬生物神經元的信號行為。這項研究針對人工智能硬件中一個持續存在的問題：能耗。現代推論加速器和訓練集羣消耗的功率以兆瓦計算，而人類大腦在大約 20 瓦的功率下就能處理相當的認知任務。
聲子神經形態計算的基本原理
作為計算媒介的聲子概念源於聲子學，這是一門研究和操控量子化機械振動的學科。傳統晶片通過晶體管傳遞電子來表示二進制狀態，而聲子神經形態晶片則會將信息編碼在通過固體媒介傳播的聲波的振幅、頻率或相位中。這一機制在神經科學中有直接的類比。生物神經元只有在輸入信號超過閾值時才會發射電化學脈衝——動作電位，並通過反覆刺激調整突觸權重。聲子設備可以被設計為表現出類似的閾值門控行為：低於設定振幅的波形不會觸發狀態變化，而高於振幅的則會。
這在功能上等同於用於脈衝神經網絡的整合與放電模型。
由於聲子是機械現象，它們可以通過壓電或彈性超材料基板以幾何形狀可調的速度和頻率進行傳播。大宗聲波（BAW）共振器——已在智能手機的射頻濾波器中使用——顯示出聲子元件可以利用現有半導體工藝大規模製造，從而降低生產整合的障礙。
聲子計算的挑戰與未來發展
聲子計算的能耗優勢基於兩項特性。首先，在共振結構中，聲波傳播每次操作消耗的功率低於通過電阻性 CMOS 元件驅動電流的功率。其次，脈衝架構僅在存在活動時處理信息，大幅降低閒置功耗至接近零——這是傳統馮·諾依曼處理器無法在不使用複雜功率門控方案的情況下實現的。從事相關聲子邏輯研究的科學家報告指出，聲學設備的操作頻率可從千赫茲到吉赫茲，具體取決於基板材料和共振器幾何形狀，為設計者提供了寬廣的操作範圍。
然而，傳播速度是一個權衡：聲音在硅中以約 6,000 米每秒的速度通過固體，這比電子漂移速度慢了數個數量級。對於需要納秒級反應的延遲敏感應用，這一差距構成了實際限制。熱噪聲也是第二個問題。聲子本質上是熱激發，這意味著背景振動在室温下可能會破壞信號的完整性，除非共振器被設計為具有足夠高的質量因子（Q）以區分意圖信號與噪聲。低温操作可以消除大部分噪聲底線，但這與最初建立晶片的能效理由相悖。
目前，聲子神經形態概念仍處於早期實驗階段。迄今為止的展示顯示出單個類神經元的聲學元件和小型陣列，但尚未報告能夠運行機器學習工作負載的功能性推論網絡。集成密度——每平方毫米基板上可以容納多少聲子神經元——尚未與現有的硅基神經形態晶片，如 Intel 的 Loihi 2 或 IBM 的 NorthPole 進行基準比較。更廣泛的神經形態研究提供了有用的背景。對集體生物行為的研究越來越顯示，分佈式低功耗信號系統——無論是在羣聚動物還是神經組織中——都能實現集中架構難以高效匹配的計算結果。
聲子計算旨在將這一原則應用於硅鄰近的硬件。
為使此方法達到商業相關性，研究人員需要展示多層聲學網絡，建立一個在聲子基板中訓練突觸權重的編程模型，並解決如何將聲子核心與傳統數字外圍設備耦合的互連問題，而不會在接口處抵消能量節省。這些是已知解決途徑的工程問題，儘管這些路徑可能較長。該研究首次發表於《科學進展》期刊。
