中国信通院发布ICT深度观察十大趋势

因此，许多人认为神经形态计算可以解决阻碍传统计算系统数十年的问题。一方面，基于 von Neumann 架构的处理器必须等待数据进出系统内存。缓存结构有助于减轻这种延迟，但随着芯片速度的加快，数据瓶颈愈发明显。另一方面，神经形态处理器目标在于通过模拟大脑的核心工作方式来提供更省电的操作。

神经元通过一种被称为是「尖峰」的脉冲模式相互发送信息脉冲，其关键在于时间，时间本身就传达着信息。

我们可将尖峰用一个比特来表示，与传统的数据通信方法相比，它更高效、更省电。20 世纪 50 年代，对尖峰神经活动的理解和建模出现，但接下来的 50 年，基于硬件的计算应用并未开始。

DARPA 开启富有成效的十年

2008 年，美国国防高级研究计划局（DARPA）启动了一个名为“神经形态自适应塑料可扩展电子系统”（SyNAPSE）的项目，旨在开发可扩展到生物水平的低功耗电子神经形态计算机。该项目的第一阶段是开发模拟大脑突触活动的纳米级突触，并期待其在微电路结构中发挥作用。

2009 年，IBM Research 和 HRL Laboratories（通用汽车和波音公司共同拥有）赢得了 SyNAPSE 合同，成为竞争对手。

2011 年，HRL 宣布了第一个「记忆电阻器」阵列，即一种可应用于神经形态计算的非易失性内存存储形式。两年后，HRL 打造出了第一个神经形态芯片 Surfrider——在 50 毫瓦的功率下有 576 个神经元。

研究人员将芯片安装在一架配备光学、红外和超声波传感器的不足 100 克的无人机上，并将无人机送入三个房间。无人机通过感官输入“学习”了第一个房间的布局和内部的物品，基于此，它可在新房间“动态学习”，或是认出曾进入过的房间。
 

使用内部类来维护单例的实现，JVM内部的机制能够保证当一个类被加载的时候，这个类的加载过程是线程互斥的。

这样当我们第一次调用getInstance的时候，JVM能够帮我们保证instance只被创建一次，并且会保证把赋值给instance的内存初始化完毕， 这样我们就不用担心上面的问题。

同时该方法也只会在第一次调用的时候使用互斥机制，这样就解决了低性能问题。这样我们暂时总结一个完美的单例模式。

还有更完美的写法吗,通过枚举：
 

**通过volatile修饰的变量，不会被线程本地缓存，所有线程对该对象的读写都会第一时间同步到主内存，从而保证多个线程间该对象的准确性 **

volatile的作用

防止指令重排序，因为instance = new Singleton()不是原子操作

保证内存可见

这个是比较完美的写法了，这种方式能够安全的创建唯一的一个实例，又不会对性能有太大的影响。

但是由于volatile关键字可能会屏蔽掉虚拟机中一些必要的代码优化，所以运行效率并不是很高，还有更优的写法吗?

通过静态内部类

（编辑：烟台站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!