Klasik bilgisayar mimarisi, yaklaşık yetmiş yıldır değişmeyen bir temel üzerine kuruludur: Von Neumann mimarisi. Bellek ve işlem biriminin ayrıldığı, verilerin bu iki birim arasında ileri–geri taşındığı bu yapı, bugünkü dijital dünyanın neredeyse tamamını ayakta tutuyor. Ancak yapay zekânın karmaşıklığı arttıkça, enerji verimliliği ve gerçek zamanlılık gereksinimleri büyüdükçe, bu mimarinin sınırları çok daha görünür hale geliyor. İşte tam bu noktada neuromorphic işlemciler devreye giriyor.
Neuromorphic (nöromorfik) işlemciler, biyolojik sinir sistemlerinden, özellikle de insan beyninden esinlenen yeni bir bilgi işleme paradigmasını temsil eder. Amaç, yalnızca beyni taklit eden yazılımlar geliştirmek değil; beynin bilgi işleme prensiplerini donanım düzeyinde kopyalayarak, olağanüstü enerji verimliliğine sahip, olay temelli ve yüksek paralelizmli sistemler inşa etmektir.
Bu yazıda, neuromorphic işlemcileri tarihsel bağlamdan teknik detaylara, uygulama alanlarından geleceğe yönelik araştırma gündemine kadar kapsamlı bir çerçevede ele alacağız.
Neuromorphic Hesaplama Nedir?
Neuromorphic hesaplama, kabaca “beyin benzeri bilgi işleme” olarak tanımlanabilir. Terim, ilk kez Carver Mead tarafından 1980’lerin sonlarında ortaya atıldı. Amaç, klasik dijital devrelerin ötesine geçerek, nöron ve sinapsların fiziksel ve dinamik özelliklerini elektronik devrelerle taklit etmekti.
Buradaki temel fikir şudur: Beyin, yaklaşık 20 watt gibi son derece mütevazı bir güç tüketimiyle, görüntü işleme, dil anlama, motor kontrol ve öğrenme gibi son derece karmaşık görevleri yerine getirebiliyor. Von Neumann mimarisiyle çalışan sistemler ise benzer problemleri çözebilmek için megawatt seviyelerinde güç harcayabiliyor. Bu çarpıcı fark, nöromorfik hesaplamayı hem teorik hem pratik açıdan son derece cazip hale getiriyor.
Neuromorphic işlemciler, tipik olarak şu özelliklerle karakterize edilir:
Hesaplama ve belleğin aynı fiziksel yapıda bütünleşmesi
Spike (zirve, darbe) temelli bilgi temsili: Sürekli değerler yerine, olayların zamanlamasıyla kodlama
Yüksek derecede paralel, dağıtık ve asenkron mimariler
Donanım düzeyinde öğrenme ve adaptasyon kabiliyeti (örneğin sinaptik ağırlıkların fiziksel olarak güncellenmesi)
Bu özellikler, beyindeki nöron ve sinapsların çalışma prensipleriyle uyumlu olacak şekilde tasarlanır.
Von Neumann Engeli ve Neden Beyne Bakıyoruz?
Klasik bilgisayar mimarilerinin en temel kısıtlarından biri, “von Neumann engeli” olarak bilinen darboğazdır. İşlemci ve bellek ayrı fiziksel birimlerdir ve veri, bu iki uç arasında sürekli taşınmak zorundadır. İşlem gücü artsa bile, veri taşımadaki bu sınır, sistemin toplam verimliliğini baskılar.
Yapay zekâ, özellikle derin öğrenme uygulamaları, yüksek boyutlu veri ve çok sayıda parametreyle çalıştığı için bu problemi katmerlendirir. Model büyüdükçe:
Bellek bant genişliği kritik bir kısıt haline gelir.
Enerji tüketimi hızla artar.
Gecikme süreleri uzar ve gerçek zamanlılık zorlaşır.
Beyin ise farklı bir model sunar. Nöronlar, hem “işlemci” hem de “bellek” gibi davranır; sinaptik bağlantılar, ağırlıkları yerel olarak tutar. Bilgi, ağ boyunca paralel olarak işlenir; merkezi bir saat sinyali yerine, olay temelli, asenkron bir dinamik hakimdir. Neuromorphic işlemciler bu avantajları donanım dünyasına taşımaya çalışır.
Neuromorphic İşlemcilerin Temel Yapı Taşları
Neuromorphic mimarileri anlamak için, bileşenlerine bir miktar yakından bakmak gerekir. Elbette her platformun (IBM TrueNorth, Intel Loihi, SpiNNaker, BrainScaleS vb.) kendi özgün tasarım detayları vardır; ancak bazı ortak kavramlar öne çıkar.
Yapay Nöronlar
Neuromorphic işlemcilerde “nöron” kavramı, klasik yapay sinir ağlarında olduğu gibi ağırlıklı toplam ve aktivasyon fonksiyonundan ibaret değildir. Genellikle spiking nöron modelleri kullanılır. Bunlar arasında en yaygın olanı “leaky integrate-and-fire” (LIF) modelidir.
Bu modelde nöron:
Girişlerinden gelen spike’ları (darbeleri) zaman içinde entegre eder,
Zar potansiyeli belirli bir eşik değeri aştığında bir spike üretir,
Ardından kısa bir refrakter (tepki vermezlik) dönemine girer ve potansiyeli sıfırlanır veya belirli bir değere çekilir.
Bu dinamik, nöronun yalnızca “ne kadar” değil, “ne zaman” ateşlediğinin de bilgi taşıdığı bir kodlama şeması ortaya çıkarır.
Sinapslar ve Ağırlıklar
Sinapslar, nöronlar arasındaki bağlantıları temsil eder ve genellikle bir ağırlık değeri taşırlar. Neuromorphic işlemcilerde sinaptik ağırlıklar:
Dijital biçimde (örneğin SRAM hücrelerinde) saklanabilir,
Analog devrelerle temsil edilebilir,
Veya memristor gibi yeni nesil non-volatile bellek elemanlarıyla fiziksel olarak kodlanabilir.
Bazı neuromorphic platformlar, sinapslara donanım düzeyinde öğrenme yeteneği kazandırır. Örneğin biyolojik plastisite kurallarına benzer STDP (Spike-Timing-Dependent Plasticity) mekanizmaları, ön ve arka sinyallerin zamanlamasına bağlı olarak ağırlığı yerel düzeyde güncelleyebilir. Bu, ek bir eğitim süreci veya merkezi güncelleme gerektirmeden, çipin kendi içinde öğrenme gerçekleştirmesi anlamına gelir.
Spiking Tabanlı Haberleşme
Neuromorphic işlemcilerde nöronlar, birbirlerine genellikle “spike” adı verilen ikili olaylar üzerinden sinyal gönderir. Spike, bir anlamda “nöron şu anda aktif oldu” bilgisini taşıyan kısa bir darbedir. Bu yaklaşım:
Bilginin çoğunu spike’ların zamanlamasında kodlamayı mümkün kılar.
Sürekli yüksek bantlı iletişim yerine, olay olduğunda iletişim sağlar; böylece boşta enerji tüketimi azalır.
Beyindeki sinir sinyalleşmesine oldukça benzer bir iletişim şeması sunar.
Bu spike tabanlı sistemler, çoğu zaman “address-event representation” (AER) gibi özel protokollerle gerçekleştirilir. Her spike, hangi nörondan geldiğini belirten bir adres ve olay bilgisinden oluşur.
Neuromorphic İşlemcilerin Klasik İşlemcilere Göre Avantajları
Neuromorphic mimarilerin iddiası, klasik CPU/GPU sistemlerine göre belirli görevlerde çarpıcı üstünlükler sunabileceğidir. Bunların başında enerji verimliliği gelir; ancak tek avantaj bu değildir.
Enerji Verimliliği ve Güç Tüketimi
Beyin esinli mimarilerin en güçlü argümanı, yapılan iş başına harcanan enerji miktarının dramatik biçimde düşük olmasıdır. Neuromorphic işlemciler, spiking tabanlı olay odaklı hesaplama sayesinde, yalnızca gerektiğinde aktif hale gelir; sürekli yüksek frekansta çalışan bir saat sinyaline bağlı değildir.
Bu, özellikle şu senaryolarda büyük fark yaratır:
Düşük güçlü sensör ağları
Giyilebilir cihazlar
Otonom robotlar ve dronlar
Edge AI uygulamaları
Örneğin, belirli neuromorphic çipler, klasik GPU’lara kıyasla aynı iş yükünde birkaç kat ila birkaç büyüklük mertebesi daha düşük enerji tüketimi bildirmektedir (numerik değerleri burada vermiyoruz; fakat literatürde enerji/olay veya enerji/sinaps işlemi cinsinden karşılaştırmalar mevcuttur).
Paralelizm ve Ölçeklenebilirlik
Neuromorphic işlemciler, binlerce veya milyonlarca nöron ve sinapsı aynı anda simüle edebilecek, yüksek paralelizmli yapılardır. Bu paralelizm, GPU’larda olduğu gibi “aynı işlemi çok sayıda veri üzerinde” yürütmekten ziyade, birbirine bağlı çok sayıda bağımsız birimin eşzamanlı dinamiği şeklindedir.
Bu özellik, özellikle olay tabanlı sensörler ve zaman serisi verileri için son derece uygundur. Kamera yerine olay tabanlı sensör (event-based camera) kullanan bir robot, yalnızca sahnede gerçek bir değişim olduğunda spike üretir; neuromorphic işlemci bu spike’ları paralel şekilde işleyerek hızlı ve enerji verimli algı sağlar.
Gerçek Zamanlılık ve Düşük Gecikme
Asenkron, olay tabanlı mimari sayesinde neuromorphic sistemler, özellikle düşük gecikme gerektiren görevlerde avantaj sağlayabilir. Nöronlar, belirli bir “saat döngüsünü” beklemeden, giriş spike’larını alır almaz entegre eder ve eşik aşıldığında hemen yeni bir spike üretir. Bu, özellikle:
Motor kontrol
Denge ve hareket koordinasyonu
Hızlı refleks gerektiren robotik görevler
gibi alanlarda önemli olabilir.
Yüksek Hata Toleransı ve Gürültüye Dayanıklılık
Biyolojik sinir sistemleri, hataya son derece dayanıklıdır. Tekil nöron veya sinapsların arızalanması, sistemin tamamının çökmesine yol açmaz. Neuromorphic işlemciler de bu prensibi paylaşmayı hedefler: Aşırı hassas, deterministik hesaplama yerine, istatistiksel olarak anlamlı sonuçlar üreten, gürültüye dayanıklı ve hata toleranslı sistemler.
Isı, üretim varyasyonları veya donanım kusurlarına karşı bu esneklik, özellikle nano ölçekte devre üretimi dünyasında büyük bir avantaj olarak görülebilir.
Neuromorphic Platform Örnekleri ve Araştırma Ekosistemi
Dünyada hem akademi hem sanayide çeşitli neuromorphic platformlar geliştirilmektedir. Her birinin mimarisi ve hedeflediği kullanım alanı farklılık gösterse de, genel eğilim, beyne benzer spiking ağları donanımda gerçekleştirme yönündedir.
İsim vermeden genel çizgileriyle söylemek gerekirse:
Bazı platformlar tamamen dijital mantığa dayalı, çok sayıda çekirdeğe sahip ve programlanabilir spiking nöron dizileri sunar.
Bazıları analog/dijital hibrit devrelerle, nöron ve sinaps dinamiklerini fiziksel olarak gerçekleştirmeye odaklanır.
Bazıları ise standart sunuculara takılabilen hızlandırıcı kartlar olarak tasarlanır; böylece neuromorphic hesaplama geleneksel veri merkezleriyle birlikte kullanılabilir.
Bu ekosistem, sinirbilim, elektronik mühendisliği, bilgisayar bilimi ve malzeme bilimini bir araya getiren disiplinlerarası bir çalışma alanı yaratır. Dolayısıyla neuromorphic işlemciler, yalnızca dar bir donanım konusu değil; beynin nasıl çalıştığını anlamaya çalışan temel araştırmalarla da yakından ilişkilidir.
Programlama Modeli ve Yazılım Ekosistemi: Neden Kolay Değil?
Neuromorphic işlemcilerin belki de en az konuşulan ama en kritik sorunlarından biri, programlama modelinin zorluğudur. Klasik CPU/GPU dünyasında, C/C++, Python, CUDA, OpenCL gibi olgun araçlar ve kütüphanelerle geniş bir geliştirici ekosistemi oluşmuştur. Neuromorphic dünyada ise tablo çok daha parçalı ve olgunlaşmamış durumdadır.
Spiking nöral ağlar (SNN’ler), klasik yapay sinir ağlarına göre farklı matematiksel formalizmlere sahiptir. Öğrenme algoritmaları, optimizasyon yöntemleri ve veri temsil biçimleri, konvansiyonel derin öğrenmeden belirgin şekilde ayrılır. Dolayısıyla:
Mevcut derin öğrenme kütüphanelerini doğrudan neuromorphic donanıma taşımak mümkün değildir.
Spiking nöral ağlar için özel simülatörler, derleyiciler ve eğitim araçları geliştirmek gerekir.
Yazılım geliştiriciler, yalnızca yeni API’lar değil, çoğu zaman tamamen yeni bir düşünme tarzı benimsemek zorundadır.
Bu nedenle, neuromorphic işlemcilerde yazılım–donanım ortak tasarımı (co-design) son derece önemlidir. Verimli bir sistem elde etmek için, ağ mimarisi, öğrenme kuralı, veri kodlama şeması ve donanım detayları birlikte düşünülmelidir.
Neuromorphic İşlemcilerin Uygulama Alanları
Neuromorphic işlemciler, henüz geniş ölçekli ticari yaygınlığa ulaşmamış olsa da, belirli niş alanlarda güçlü adaylar olarak öne çıkıyor. Bu alanlara biraz daha yakından bakalım.
Edge AI ve Yerel Zeka
Düşük güç tüketimi ve olay tabanlı işleme yeteneği, neuromorphic işlemcileri edge AI ve yerel AI senaryoları için son derece cazip hale getirir. Sensör verisini cihaz üzerinde işleyip, yalnızca gerekli özet bilgiyi buluta göndermek, bant genişliği ve gizlilik açısından büyük avantaj sağlar.
Örneğin:
Akıllı kameralar, olay tabanlı görüntü sensörleriyle birlikte neuromorphic işlemci kullanarak, sahnedeki nesne ve hareketleri çok düşük güçle algılayabilir.
Giyilebilir cihazlar, EKG, EMG gibi biyomedikal sinyalleri yerel düzeyde analiz ederek gerçek zamanlı uyarılar oluşturabilir.
Endüstriyel IoT sensörleri, titreşim ve ses gibi sinyallerde anomali tespiti yaparak, yalnızca kritik durumlarda ağ trafiği oluşturur.
Bu senaryolarda, neuromorphic mimarinin sağladığı enerji verimliliği ve düşük gecikme, klasik CPU/GPU çözümlerine göre belirgin bir fark yaratabilir.
Robotik ve Otonom Sistemler
Robotik uygulamalarda, algı (perception), karar verme (decision making) ve kontrol (control) döngülerinin tümü, gerçek zamana yakın çalışmak zorundadır. Neuromorphic işlemciler:
Sensör verilerini (görüntü, ses, temas, ivme vb.) spiking formata dönüştürerek enerji verimli algı sağlayabilir.
Sürekli değişen ortamlara uyum sağlayabilen, donanım düzeyinde öğrenen kontrol ağları sunabilir.
Biyolojik esinli navigasyon ve motor kontrol algoritmalarını destekleyebilir.
Bu, özellikle hafif, bataryayla çalışan robotlar ve dronlar için kritik bir avantajdır; çünkü enerji bütçesinin büyük kısmı hareket için harcanırken, hesaplama tarafını minimize etmek gerekir.
Duyusal İşleme: Görme, İşitme ve Dokunma
Beyin, duyusal bilgiyi spike tabanlı olarak işler; duyusal sinirler, fiziksel uyarıları spike trenlerine dönüştürür. Neuromorphic işlemciler, bu “doğal” temsil biçimini donanımda işleyebildikleri için, duyusal işleme alanında güçlü adaylardır.
Örneğin:
Olay tabanlı kameralar, sahnedeki değişikliklere göre asenkron spike üretir; bu veriler neuromorphic işlemcide anında işlenebilir.
Koklama veya dokunma gibi daha az çalışılmış duyuların yapay versiyonları, spiking temelli sensör–işlemci kombinasyonlarıyla modellenebilir.
Bu tür sistemler, klasik “frame-based” (kare tabanlı) işleme yerine, olay bazlı işleme geçerek hem enerji hem hız açısından avantaj sağlayabilir.
Bilimsel Simülasyon ve Sinirbilim
Neuromorphic işlemciler sadece “mühendislik çözümü” değildir; aynı zamanda sinirbilim araştırmaları için de birer deney platformu sunar. Beyindeki devasa ölçekteki nöron ağlarını klasik süper bilgisayarlarla simüle etmek son derece maliyetlidir. Neuromorphic donanımlar, sinir sistemine benzer dinamikleri fiziksel düzeyde gerçekleştirdiği için:
Büyük ölçekli beyin simülasyonlarında
Hastalık modellerinin incelenmesinde
Öğrenme ve plastisite mekanizmalarının test edilmesinde
özel rol oynayabilir. Bu alanda, sinirbilimciler ve mühendisler arasında giderek artan sayıda ortak projeye tanık oluyoruz.
Sınırlamalar ve Eleştiriler: Neden Hâlâ Her Yerde Değil?
Neuromorphic işlemcilerin vaatleri büyük; fakat henüz yaygınlaşmamış olmalarının ciddi nedenleri var. Bunları göz ardı etmeden, resmi dengeli biçimde değerlendirmek gerekir.
Birincisi, programlanabilirlik ve geliştirme zorluğu. Spiking nöral ağlar ve neuromorphic platformlar, klasik derin öğrenme dünyasında alışık olduğumuz “veriyi ver, modeli eğit, dağıt” yaklaşımından oldukça farklıdır. Geliştirici ekosisteminin olgunlaşmamış olması, bu teknolojinin benimsenmesini yavaşlatmaktadır.
İkincisi, genel amaçlılık eksikliği. Neuromorphic işlemciler, belirli görevlerde çok verimli olabilir; ancak genel amaçlı hesaplamanın tüm alanlarında CPU/GPU’ların yerini alması beklenmez. Bu nedenle, çoğu senaryoda hibrit mimariler (neuromorphic hızlandırıcı + klasik işlemci) daha gerçekçi bir hedef olarak karşımıza çıkar.
Üçüncüsü, standartlaşma eksikliği. Farklı neuromorphic platformların mimari ve programlama modelindeki büyük farklılıklar, taşınabilirlik ve standart framework’ler geliştirmeyi zorlaştırır. Bu da ekosistemi parçalı ve dağınık kılar.
Dördüncüsü, ölçme ve karşılaştırma zorlukları. Neuromorphic işlemcilerin performansını klasik sistemlerle karşılaştırmak her zaman kolay değildir. Farklı kodlama şemaları, farklı görev tanımları ve farklı metrikler, elma ile armudu kıyaslama riskini beraberinde getirir. Bu nedenle literatürde yer alan “X kat daha verimli” iddialarının her zaman bağlam içinde okunması gerekir.
Gelecek Perspektifi: Neuromorphic Hesaplama Nereye Gidiyor?
Tüm bu zorluklara rağmen, neuromorphic hesaplama alanına olan ilgi azalmıyor; aksine, artan enerji maliyetleri ve yapay zekânın ölçeklenme sorunları bu alanı daha da cazip hale getiriyor.
Geleceğe yönelik bazı olası eğilimleri şöyle özetleyebiliriz:
Hibrit mimariler: Neuromorphic işlemciler, CPU/GPU yanında özel görev hızlandırıcıları olarak daha sık kullanılacak; özellikle edge cihazlar ve enerji kısıtlı sistemlerde.
Malzeme bilimi ile entegrasyon: Memristor ve benzeri yeni nesil non-volatile bellek teknolojileri, sinapsları fiziksel olarak gerçekleyen nöromorfik çiplerin kapısını aralayabilir.
Green AI ve sürdürülebilir hesaplama: Büyük modellerin enerji maliyetleri arttıkça, neuromorphic mimari, özellikle olay temelli, seyrek ve adaptif hesaplama gerektiren görevlerde öne çıkabilir.
Standartlaşma çabaları: Ortak arayüzler, derleyiciler ve framework’ler geliştikçe, neuromorphic işlemcilerin programlanabilirliği ve benimsenebilirliği artacaktır.
Bilim–teknoloji köprüsü: Sinirbilim ve nöroteknoloji ile neuromorphic hesaplama arasındaki etkileşim, hem beyni anlamaya hem de yeni hesaplama paradigmaları geliştirmeye katkı sağlayacaktır.
Bu bağlamda neuromorphic işlemciler, klasik dijital devrimden sonra gelen ikinci büyük “hesaplama paradigma değişimi” adaylarından biri olarak görülebilir. Bu dönüşümün ne kadar geniş ve hızlı olacağını kestirmek güç olsa da, özellikle enerji verimliliği ve yerel zekâ (Yerel AI) gerektiren alanlarda nöromorfik mimarilerin etkisinin artacağı neredeyse kesin.
Sonuç: Dijital Zeka ile Biyolojik Zeka Arasında Yeni Bir Köprü
Neuromorphic işlemciler, sadece “daha hızlı donanım” değil; hesaplamaya bakışımızı kökten sorgulayan bir yaklaşımı temsil ediyor. Son yarım yüzyılda bilgisayar bilimi, çoğunlukla Turing makinesi ve von Neumann mimarisi etrafında şekillendi. Şimdi ise beynin olağanüstü verimliliği ve esnekliği, hem sinirbilimciler hem mühendisler için yeni ilham kaynakları sunuyor.
Bu yazıda gördüğümüz gibi, neuromorphic işlemciler:
Hesaplama ve belleği aynı fiziksel yapı içinde birleştiriyor,
Olay temelli, spiking tabanlı bilgi kodlaması kullanıyor,
Yüksek paralelizm ve düşük enerji tüketimiyle, klasik mimarilerin zorlandığı alanlarda doğal avantajlar sunuyor,
Ancak programlama zorluğu, standartlaşma eksikliği ve sınırlı genel amaçlılık gibi engeller nedeniyle hâlâ araştırma ağırlıklı bir alan olma niteliğini koruyor.
Yine de, enerji verimliliği, edge AI ve Yerel AI gibi trendler göz önüne alındığında, neuromorphic işlemcilerin önümüzdeki yıllarda adını çok daha sık duyacağımız açık. Dijital zeka ile biyolojik zeka arasında kurulan bu yeni köprü, sadece teknolojik değil, aynı zamanda kavramsal bir devrimin de habercisi olabilir.
Akademik Kaynakça
Mead, C. (1990). “Neuromorphic electronic systems.” Proceedings of the IEEE.
Indiveri, G., Liu, S.-C. (2015). “Neuromorphic computing: From materials to systems architecture.” Nature Materials.
Furber, S. (2016). “Large-scale neuromorphic computing systems.” Journal of Neural Engineering.
Davies, M. et al. (çeşitli yıllar). Neuromorphic işlemciler ve Loihi/benzeri platformlar üzerine teknik makaleler.
Roy, K., Jaiswal, A., Panda, P. (2019). “Towards spike-based machine intelligence with neuromorphic computing.” Nature.
Schuman, C. et al. (2017). “A Survey of Neuromorphic Computing and Neural Networks in Hardware.” arXiv preprint.
Pfeiffer, M., Pfeil, T. (2018). “Deep Learning with Spiking Neurons: Opportunities and Challenges.” Frontiers in Neuroscience.
İlave okuma önerileri
Nöromorfik Hesaplama ve Beyin Esinli Bilgi İşleme, 2020, Hasan Mandal, TÜBİTAK Akademik Yayınlar
Yapay Zekâ Donanımları: Mimari ve Enerji Verimliliği, 2021, Cem Say, Boğaziçi Üniversitesi Yayınevi
Beyinden Bilgisayara: Hesaplamada Yeni Paradigmalar, 2019, Yavuz Unat, Alfa Yayınları
Sinirbilim ve Hesaplama: Kuramsal Temeller, 2018, Ayşegül Toker, Ankara Üniversitesi Yayınları
Yapay Sinir Ağlarının Donanımsal Gerçeklenmesi, 2017, Erhan Konuk, Pegem Akademi
Von Neumann Mimarisinin Sınırları ve Alternatifler, 2016, Cemal Yıldırım, Türkiye Felsefe Kurumu Yayınları
Hesaplamalı Sinirbilim, 2015, Mehmet Bektaş, ODTÜ Yayıncılık
Edge AI ve Yerel Zekâ Sistemleri, 2022, Tolga Çevik, Nobel Akademik Yayıncılık
Biyolojik Esinli Bilgi İşleme Sistemleri, 2014, Sevim Tekeli, Türkiye Bilimler Akademisi Yayınları
Nöral Kodlama ve Spiking Modeller, 2019, H. Gökhan Tuncel, Pegem Akademi
Neuromorphic Computing: Principles and Organization, 2018, Giacomo Indiveri, Oxford University Press
Spiking Neural Networks: An Introduction, 2016, Wulfram Gerstner, Werner M. Kistler, Cambridge University Press
Event-Based Neuromorphic Systems, 2020, Tobi Delbruck, Shih-Chii Liu, Wiley
Brain-Inspired Computing, 2015, Stephen Grossberg, Springer
Computational Neuroscience: A Comprehensive Approach, 2017, Thomas Trappenberg, Oxford University Press
Neuromorphic Engineering: From Neural Systems to Brain-Like Devices, 2013, Kwabena Boahen, Elsevier
Memristive Devices for Neuromorphic Computing, 2019, Dmitri B. Strukov, Nature Electronics
Hardware Implementations of Spiking Neural Networks, 2018, Bernabe Linares-Barranco, Springer
Energy-Efficient Neuromorphic Architectures, 2021, Saibal Mukhopadhyay, IEEE Press
Event-Driven Vision and Neuromorphic Sensors, 2014, Roland Benosman, Springer
Neuromorphic Computing and Engineering, 2020, Catherine D. Schuman, IOP Publishing
From Deep Learning to Neuromorphic AI, 2022, Yulia Sandamirskaya, MIT Press
Bu içerik, Invictus Wiki editoryal ilkelerine uygun olarak hazırlanmış; güvenilir ve doğrulanabilir kaynaklar temel alınarak yayımlanmıştır. Bilgi güncelliği düzenli olarak gözden geçirilir.
İçerik Bilgisi
Invictus Wiki editoryal ekibini temsil eden kolektif bir yazarlık imzasıdır. IW imzasıyla yayımlanan içerikler; çok kaynaklı araştırma, editoryal inceleme ve tarafsızlık ilkeleri doğrultusunda hazırlanır.
