类脑计算与神经形态工程

20/23类脑计算与神经形态工程第一部分类脑计算的基本原理和发展历程 2第二部分神经形态工程的定义和研究领域 4第三部分类脑计算模型与大脑功能仿生 6第四部分神经形态硬件器件的研制和应用 9第五部分类脑计算在人工智能领域的应用 11第六部分类脑计算与神经形态工程的融合 15第七部分类脑计算面临的挑战和展望 18第八部分类脑计算与神经形态工程的潜在影响 20

第一部分类脑计算的基本原理和发展历程关键词关键要点类脑计算的基本原理

1.类脑计算模拟人脑的神经元网络结构和信息处理方式，实现类人级的计算和认知能力。它通过构建神经元模型、学习算法和连接模式，模拟大脑的感知、记忆、推理等功能。

2.类脑计算强调神经元和突触之间的动态交互，将计算过程与学习过程紧密结合。突触可塑性机制允许神经元连接强度根据输入模式进行调节，实现自适应和可重构计算。

3.类脑计算的可并行性和自学习能力赋予其处理大规模数据和执行复杂任务的独特优势，在人工智能、机器人、脑机接口等领域展现出广阔的应用前景。

类脑计算的发展历程

1.早期（20世纪末至21世纪初）：类脑计算概念提出，基础模型和算法建立，如人工神经网络、卷积神经网络等。

2.起步阶段（21世纪初至2010年前后）：神经形态器件和神经网络硬件的研究兴起，实现神经网络的低功耗、实时处理。

3.兴起期（2010年至今）：类脑计算范式不断完善，神经形态工程、可重构计算、自适应学习技术取得重大突破，推动类脑芯片和系统研发。类脑计算的基本原理

类脑计算是一种受人脑启发的计算范例，旨在模仿人脑的结构和功能，以解决人工智能领域中复杂问题。其基本原理主要包括：

*神经元模型：类脑计算中的神经元模型与生物神经元具有相似的结构和功能，由树突、细胞体和轴突组成。神经元通过突触连接并传递信号。

*突触可塑性：突触连接的强度可以根据神经元之间的活动进行修改，称为突触可塑性。这种可塑性是学习和记忆的基础。

*分布式处理：类脑计算系统采用高度分布式的处理方式，由大量相互连接的神经元组成，并行执行计算任务。

*自组织：类脑计算系统能够从输入数据中自组织学习，形成新的模式和规则。

类脑计算的发展历程

类脑计算的发展历程可以追溯到20世纪中叶，经历了多个阶段：

*早期探索（20世纪50-60年代）：研究人员开始探索使用人工神经网络模拟人脑的简单功能。

*连接主义兴起（20世纪80-90年代）：连接主义兴起，提出神经网络作为认知和智能的模型，推动了类脑计算的发展。

*神经形态工程崛起（20世纪90年代至今）：神经形态工程学科兴起，专注于设计和构建模拟神经系统结构和功能的电子系统。

*大型类脑项目（21世纪初至今）：各国相继启动了大型类脑项目，如欧盟的人类大脑项目、美国的BRAIN计划和中国的清华大学类脑中心，旨在加速类脑计算研究。

类脑计算的应用

类脑计算在众多领域具有广阔的应用前景，包括：

*人工智能：增强人工智能系统的能力，使其更接近人类的智能水平。

*神经疾病研究：模拟神经系统疾病，为药物开发和治疗提供新的途径。

*脑机接口：建立人脑与计算机系统之间的通信渠道，实现脑控设备和治疗神经疾病。

*决策支持：为复杂问题提供智能决策支持，例如金融预测和医疗诊断。

*仿生学：设计和制造受神经系统启发的机器人和仿生设备。

随着技术不断进步，类脑计算有望成为人工智能乃至整个科学领域的变革性技术，为解决许多复杂问题提供新的视角和解决方案。第二部分神经形态工程的定义和研究领域关键词关键要点【神经形态计算的生理基础】

1.模仿大脑神经元的电生理特性，例如膜电位、动作电位和突触可塑性。

2.通过定制的电子元件或仿生器件，再现神经元和突触的非线性动态行为。

3.构建具有神经计算能力和学习机制的类脑系统。

【神经形态材料和器件】

神经形态工程的定义

神经形态工程是一门新兴的交叉学科，它融合了神经科学、计算机科学和工程学等领域，旨在创建能够像生物神经系统那样学习、计算和适应复杂环境的人造系统。

神经形态工程的研究领域

神经形态工程的研究领域十分广泛，包括：

1.神经形态计算

*开发受大脑启发的计算架构和算法，实现高效的信息处理、模式识别和决策制定。

*主要子领域包括：卷积神经网络、循环神经网络、变压器模型和神经元网络。

2.神经形态系统

*设计和制造受生物神经系统启发的硬件系统，通过模拟神经元和突触的行为实现计算。

*主要子领域包括：神经形态芯片、神经拟态传感器和神经形态机器人。

3.灵感源自神经学的计算

*探索神经系统中的计算原理，以应用于解决实际问题，如优化和决策。

*主要子领域包括：神经启发算法、基于神经元的优化和认知模型。

4.神经工程接口

*开发植入物和设备，将人造系统与生物神经系统连接起来，实现交互和控制。

*主要子领域包括：脑机接口、神经调控和仿生学。

5.神经计算算法

*开发受神经系统启发的算法，用于解决复杂问题，如优化、机器学习和信号处理。

*主要子领域包括：神经动力学、脉冲神经网络和神经进化算法。

6.神经形态机器人

*设计和建造受神经系统控制的机器人，赋予其感知、学习和适应能力。

*主要子领域包括：神经形态控制、神经形态传感器和神经形态执行器。

7.神经形态认知

*研究神经形态系统如何处理和表示信息，从而了解认知功能的本质。

*主要子领域包括：神经形态学习、神经形态记忆和神经形态决策。

8.神经形态材料

*开发和表征具有神经形态特性的新材料，用于神经形态器件和系统的构建。

*主要子领域包括：可塑性材料、自组织材料和神经形态计算材料。

9.神经形态应用

*探索神经形态工程在各种领域的应用，包括医疗保健、机器人技术、人工智能、认知科学和能源。

*主要子领域包括：神经形态医疗设备、神经形态汽车、神经形态人工智能和神经形态能源系统。第三部分类脑计算模型与大脑功能仿生关键词关键要点突触可塑性仿生

1.突触可塑性是神经元之间连接强度的动态变化，是学习和记忆的基础；类脑计算模型通过神经网络中的突触权重调整来模拟突触可塑性。

2.福特学习算法等先进的突触更新算法可以捕捉突触可塑性的关键特征，提高神经网络的学习和推理能力。

3.忆阻器等新型纳米器件具有动态调控电阻的能力，可以实现突触可塑性的硬件实现，提高类脑计算的能效和性能。

神经振荡仿生

1.神经振荡是大脑活动中普遍存在的现象，参与认知、运动和情感处理；类脑计算模型通过耦合振荡器网络来模拟神经振荡。

2.Kuramoto模型等神经振荡模型可以揭示神经振荡的同步、相位锁定和模式转换等特性，为理解大脑动力学提供理论基础。

3.基于神经振荡的类脑计算模型在图像处理、自然语言处理和时间序列预测等领域展现出独特的优势。类脑计算模型与大脑功能仿生

简介

类脑计算旨在通过构建类脑模型来模拟人类大脑的计算机制和认知功能。神经形态工程则是将类脑模型与硬件实现相结合，构建神经形态系统来实现类脑计算。

类脑计算模型

类脑计算模型通常分为自底向上和自顶向下两类：

*自底向上模型：从神经元的生物学特性出发，构建个体神经元、神经网络以及大脑区域的模型，逐步仿真大脑的结构和功能。代表模型包括Hodkin-Huxley模型、SpikingNeuralNetwork(SNN)模型和基于事件的模型。

*自顶向下模型：从认知科学和系统神经科学的角度，抽象出大脑的高层认知功能，如注意力、记忆和学习，构建认知模型。代表模型包括符号主义、连接主义和贝叶斯推理模型。

大脑功能仿生

类脑计算模型为大脑功能仿生提供了理论基础，主要涉及以下方面：

*计算原则：大脑采用分布式并行处理、适应性学习和容错机制，类脑模型探索这些原则的计算机制和实现方式。

*信息编码：大脑采用尖峰脉冲序列编码信息，类脑模型研究尖峰编码的原理、功能和算法。

*神经突触可塑性：大脑具有神经突触的可塑性，允许动态改变连接强度，类脑模型模拟可塑性的神经网络机制。

*神经元动力学：大脑神经元存在复杂的动力学行为，类脑模型研究神经元兴奋性、抑制性和自组织行为。

*认知功能：类脑模型旨在仿生大脑的注意力、记忆、学习、决策和意识等认知功能。

神经形态工程

神经形态工程将类脑模型与硬件实现相结合，构建神经形态系统：

*神经芯片：模仿神经元和突触的集成电路，实现大规模并行计算。

*自适应硬件：利用突触可塑性原理，实现算法的在线学习和适应。

*尖峰处理：采用事件驱动的尖峰编码方式，实现低功耗和高效处理。

应用

类脑计算与神经形态工程已在多个领域得到应用，包括：

*人工智能：增强深度学习模型的泛化性、适应性和能效。

*医疗保健：开发神经疾病诊断和治疗的新方法。

*仿生机器人：设计具有类人运动、感知和决策能力的机器人。

*大脑模拟：构建大脑的计算机模型以理解其功能和病理。

*神经接口：建立人脑和计算机之间的双向通信，实现脑机交互。

挑战与展望

类脑计算与神经形态工程面临着以下挑战：

*大数据和复杂模型：大脑模型和神经形态系统往往涉及大量数据和复杂算法，需要高性能计算和优化技术。

*神经科学数据不足：对大脑功能的理解仍不完全，需要持续的神经科学研究提供数据和灵感。

*算法效率与可扩展性：当前神经形态算法的效率和可扩展性需要进一步提高，以应对现实世界应用中的大规模数据和复杂任务。

尽管存在挑战，类脑计算与神经形态工程的发展前景光明：

*类脑人工智能：有望突破现有AI技术的局限性，实现更智能、更适应性的系统。

*神经修复和增强：神经形态工程将为神经疾病治疗和人类能力增强提供新途径。

*未来计算机：类脑计算和神经形态工程技术将催生新一代更有效、更节能的计算机。

*科学发现：类脑模型和神经形态系统可以作为探索大脑功能和人类认知的强大工具。第四部分神经形态硬件器件的研制和应用关键词关键要点主题名称：神经形态芯片的设计

1.模仿大脑神经元的结构和功能，设计具有高能效和并行处理能力的神经元模型。

2.采用先进的半导体工艺和材料，实现高密度、低功耗的神经形态芯片。

3.优化芯片架构和算法，提升神经网络的学习和推理效率。

主题名称：神经形态模拟器的开发

神经形态硬件器件的研制与应用

简介

神经形态工程旨在通过设计和制造受生物神经系统启发的计算系统，来模拟大脑的功能和结构。神经形态硬件器件是神经形态工程的核心，它为这些系统提供了模仿神经元和突触行为的物理基础。

神经元器件

神经元器件模仿神经元的电学行为，包括产生动作电位的能力。常见的类型包括：

*膜电容器：存储电荷，模拟细胞膜电容。

*电阻器：限制电流流过，模拟细胞膜电阻。

*离子通道：允许特定离子流过膜，模拟动作电位的产生。

*神经突触：模拟突触的可塑性，允许器件之间的连接强度随着使用而变化。

突触器件

突触器件模拟突触的连接功能，包括存储和修改突触权重。常用的类型包括：

*忆阻器：双端非易失性器件，其电阻值取决于流经它的电流历史。

*相变存储器：通过加热或冷却材料相进行存储，模拟突触权重的非易失性存储。

*浮栅晶体管：包含浮栅极的晶体管，其阈值电压可通过电荷注入或移除来调节。

*自旋电子器件：利用电子自旋状态存储信息，具有低功耗和高密度。

应用

神经形态硬件器件具有广泛的潜在应用，包括：

*图像识别：模仿视觉皮层的组织，用于图像分类、目标检测和人脸识别。

*自然语言处理：模拟语言处理区域，用于机器翻译、语音识别和问答。

*机器人：提供实时决策和运动控制，模拟大脑运动控制中心的功能。

*医疗诊断：分析医疗数据，识别疾病模式和辅助诊断。

*神经形态计算：研究和开发新的神经形态算法，用于解决复杂问题。

进展与挑战

神经形态硬件器件的研制取得了重大进展，但仍面临着一些挑战：

*集成度：需要将大量的神经元和突触器件集成到一个芯片上，以实现具有实用功能的系统。

*能效：神经形态硬件器件通常消耗比传统计算机更多的能量，需要优化能效。

*算法：神经形态算法需要进一步开发，以充分利用器件的独特功能。

*材料：神经形态器件需要特定的材料特性，包括高电导率、非线性电导和可塑性。

结论

神经形态硬件器件是神经形态工程的关键，为模拟大脑功能和模拟复杂计算提供了物理基础。随着技术的不断进步和算法的持续发展，神经形态硬件器件有望在信息处理、决策和控制等领域发挥变革性作用。第五部分类脑计算在人工智能领域的应用关键词关键要点类脑感知

1.仿生感官系统：通过研究生物感知系统，开发具有类似功能的人工感知系统，提升机器的视觉、听觉、触觉等感知能力。

2.神经形态图像处理：借鉴大脑对图像的处理机制，开发高效、鲁棒的图像处理算法，增强计算机对复杂图像信息的理解和分析能力。

3.灵感语音识别：模拟人脑的语言处理机制，构建能够理解复杂语音指令和自然语言对话的人工智能系统。

类脑决策

1.强化学习：学习算法通过试错和反馈机制，优化决策策略，提升机器在不确定环境中的适应性和学习能力。

2.神经网络决策：利用深度神经网络模拟人脑神经元的连接和学习方式，构建能够做出复杂决策的人工智能系统。

3.情感计算：引入力脑计算的情感模型，赋予机器情感化决策能力，增强人机交互的自然性和体验感。

类脑记忆

1.生物启发记忆存储：研究人脑记忆存储机制，开发高密度、低功耗的非易失性存储器，实现机器数据的持久化保存和高效检索。

2.神经网络记忆处理：建立基于神经网络的记忆处理系统，模拟大脑神经网络的连接和学习机制，实现复杂记忆信息的高效存储和快速检索。

3.联想记忆：利用类脑计算原理，开发能够进行类比、联想等高级记忆功能的机器记忆系统，提升机器的认知和推理能力。

类脑学习

1.无监督学习：模仿人脑的无监督学习机制，开发能够从无标注数据中自动提取特征和规律的机器学习算法。

2.转移学习：研究人脑中的知识迁移机制，开发能够将知识从一个任务转移到另一个任务的机器学习技术，提升模型的泛化能力。

3.元学习：构建能够学习学习过程本身的元学习系统，赋予机器快速适应新环境和学习新任务的能力。

类脑神经形态计算

1.神经形态芯片：开发受大脑启发的神经形态芯片，实现低功耗、高并行的神经计算，突破传统计算机的性能瓶颈。

2.神经形态网络：构建基于神经形态芯片的类脑神经网络，模拟人脑连接和处理信息的模式，提升机器的智能和自适应性。

3.神经形态算法：利用类脑神经形态计算原理，开发高效、鲁棒的算法，解决复杂的认知和决策问题。

类脑计算在人工智能领域的未来趋势

1.脑机交互：通过类脑计算技术实现人与机器之间的无缝交互，拓展人机协作的可能性。

2.类脑芯片创新：不断突破神经形态芯片的技术瓶颈，提升计算速度和能效，为类脑计算提供更加强大的硬件基础。

3.融合智能：将类脑计算与人工智能的其他领域相结合，构建更加全面、强大的智能系统，促进人工智能技术的发展和应用。类脑计算在人工智能领域的应用

类脑计算是一种受大脑功能启发的计算范式，旨在创建能够执行复杂任务的人工智能系统，其方式类似于人类和动物的认知过程。类脑计算在人工智能领域具有广泛的应用，包括：

计算机视觉：

*目标检测与识别：类脑算法可以识别复杂物体和场景中的模式，用于图像分类、对象检测和人脸识别。

*动作识别：类脑模型可以分析运动序列，识别和理解人类动作和行为。

自然语言处理：

*文本理解：类脑系统可以理解复杂的文本，提取意义并从不同来源获取知识。

*机器翻译：类脑模型可以学习语言之间的关系，并进行准确、流利的翻译。

*对话系统：类脑算法使人工智能系统能够理解人类语言的细微差别，进行自然且引人入胜的对话。

决策与规划：

*强化学习：类脑算法可以从交互中学习，优化决策以实现长期目标。

*博弈论：类脑模型可以模拟智能体的互动，并在复杂博弈中制定策略。

*规划：类脑系统可以生成灵活的计划，考虑时间、资源和环境约束。

其他应用：

*金融预测：类脑模型可以识别市场模式和预测金融趋势。

*医疗诊断：类脑系统可以分析医疗图像和数据，辅助疾病诊断和治疗。

*机器人学：类脑算法可以使机器人适应不断变化的环境并执行复杂的任务。

类脑计算的优势：

*高效学习：类脑算法可以从少量数据中有效学习，而无需大量标记数据。

*鲁棒性和适应性：类脑系统能够处理不确定性和噪声，并在动态环境中适应。

*并行处理：类脑架构基于大脑并行处理能力，支持大规模分布式计算。

*低功耗：受神经形态学启发的硬件设计使类脑系统比传统计算机更节能。

类脑计算的挑战：

*复杂性：类脑模型通常很复杂，需要强大的计算资源。

*可解释性：了解类脑算法的决策过程具有挑战性。

*伦理问题：类脑系统的潜力引发了有关人工智能伦理和社会影响的担忧。

展望：

类脑计算是一个不断发展的领域，有望革命性地改变人工智能。随着硬件和算法的不断进步，类脑系统将在广泛的应用中发挥至关重要的作用，从自动化决策到个性化医疗。通过解决挑战和探索新的可能性，类脑计算将继续推动人工智能的边界，以创建更加智能和人类友好的技术。第六部分类脑计算与神经形态工程的融合关键词关键要点类脑计算与神经形态工程的融合

1.突破冯诺依曼架构限制，模仿生物神经网络的并行处理能力，提升计算效率和能耗比。

2.创造低功耗、高仿真的神经元和神经网络模型，实现类脑设备在边缘计算和物联网等应用场景落地。

3.融合微电子技术和神经科学，开发类脑芯片和神经计算平台，加速类脑计算的产业化进程。

面向认知的类脑计算

1.研究高级认知功能，如推理、记忆和决策，构建以认知为中心的类脑计算模型。

2.利用脑机接口和脑刺激技术，增强人脑功能，拓展类脑计算在康复医学和脑机融合等领域的应用。

3.探索类脑计算在情感计算、创造性思维和社会交互等方面的潜力，促进类脑计算的跨学科融合。

神经形态计算的跨尺度集成

1.从纳米尺度的离子通道到介观尺度的神经元和神经网络，实现不同尺度的神经形态计算单元的无缝集成。

2.开发多模态神经形态计算平台，融合生物、电子和光子学等技术，提升类脑计算的鲁棒性和适应性。

3.探讨神经形态计算在超大规模计算和人工智能底层架构中的应用，推动类脑计算的颠覆性创新。

类脑计算与意识的探索

1.研究类脑计算模型在意识生成中的作用，揭示意识的神经计算机制。

2.开发脑机融合技术，通过人工增强的手段探索意识的本质，拓展我们对意识科学的理解。

3.探讨类脑计算在认知障碍和精神疾病的诊断和治疗中的应用，促进类脑计算对人类健康和幸福的贡献。类脑计算与神经形态工程的融合

类脑计算和神经形态工程的融合旨在将类脑计算的原则和技术应用于神经形态工程，从而创建更有效、更节能的计算系统。以下内容阐述了这种融合的各个方面：

算力提升

类脑计算强调仿生结构和算法，如神经网络和突触可塑性，这些特征已应用于神经形态工程，以增强计算能力。神经形态系统采用并行处理架构，类似于人脑，可以处理大量数据并解决复杂问题。这种融合提高了计算效率，使实时处理和复杂任务的解决成为可能。

例如，研究人员开发了一种神经形态芯片，模拟了人脑中负责视觉感知的视觉皮层。该芯片能够以低能耗高效处理图像数据，实现了视觉识别和图像分割任务的加速。

能耗降低

生物系统以其高能效而著称，类脑计算与神经形态工程的融合借鉴了这种特点。神经形态系统利用事件驱动和稀疏编码等技术，只处理相关信息并避免不必要的计算。

研究表明，神经形态芯片的能耗比传统冯·诺依曼架构芯片低几个数量级。在图像识别任务中，神经形态芯片的能耗仅为传统芯片的千分之一，同时保持了可比的性能。

可塑性和自适应性

类脑系统具有可塑性和自适应性，可以根据经验改变其结构和功能。神经形态工程将这些特性纳入其设计，允许系统根据不断变化的环境进行优化。

例如，神经形态机器人配备了神经形态传感器和处理单元，可以动态调整其行为以适应周围环境。这些机器人可以学习新任务，并随着时间的推移提高其性能，类似于生物系统的学习过程。

仿生感知和交互

类脑计算与神经形态工程的融合赋予了系统仿生感知和交互能力。神经形态传感系统模拟人脑感知机制，可以处理复杂信号并提供对周围环境的深入理解。

此外，神经形态接口能够实现机器与生物系统之间的无缝交互。这些接口允许研究人员控制和记录神经活动，从而促进对大脑功能的理解并开发用于神经康复和增强功能的神经技术。

具体应用

类脑计算和神经形态工程的融合在以下领域具有广泛的应用：

*人工智能：增强机器学习算法，提高图像、语音和自然语言处理的效率和准确性。

*医疗保健：开发神经形态设备用于神经疾病诊断、治疗和康复。

*机器人：创建自主机器人，具有感知、规划和决策能力。

*物联网：设计能耗低、可适应的物联网设备，有助于边缘计算和分布式智能。

*生物计算：模拟生物系统，揭示大脑功能并开发用于药物发现和生物工程的工具。

未来的方向

类脑计算与神经形态工程的融合是一个快速发展的领域，预计未来将取得重大进展。研究重点包括：

*开发新的神经形态材料和设备

*探索神经元和突触动力学的更精细模型

*构建大规模、可扩展的神经形态系统

*探索融合在人工智能、医疗保健和其他领域的应用

通过持续的研究和创新，类脑计算和神经形态工程的融合有望彻底改变计算和工程领域，为更智能、更节能、更仿生的技术铺平道路。第七部分类脑计算面临的挑战和展望关键词关键要点【算法和模型的局限性】

1.当前类脑算法和模型往往过于简化，难以充分模拟真实大脑的复杂性，无法处理高维、非线性、动态变化的现实世界问题。

2.缺乏有效的训练方法，现有算法和模型难以在海量、异构数据上进行高效训练，导致泛化能力不足。

3.算法和模型的评估指标不够全面，难以准确衡量类脑系统的性能和鲁棒性，阻碍了有效的系统设计和优化。

【器件与系统实现瓶颈】

类脑计算面临的挑战

1.复杂系统建模

*大脑是一个极其复杂的神经系统，涉及海量的神经元、突触和连接。

*现有的大脑模型和模拟工具难以捕捉大脑的完整结构和功能。

2.神经元动力学的准确性

*神经元的电学活动具有高度非线性性和动态性。

*目前的计算模型往往无法准确刻画神经元行为，限制了对神经网络功能的预测。

3.连接性图谱的获取

*大脑中的神经连接极其复杂，需要精确的图谱数据来构建真实的模型。

*获得全面的连接性图谱仍然是一个重大的技术挑战。

4.算法可扩展性

*随着模型复杂度的增加，算法的可扩展性变得至关重要。

*目前的计算架构难以有效处理海量神经元的并行计算。

5.功耗和能效

*大脑以极低的功耗执行复杂的任务。

*类脑计算系统需要克服能效瓶颈，以实现大规模神经网络的实用性。

展望

尽管面临挑战，类脑计算仍具有广阔的发展前景。

1.新型计算架构

*神经形态芯片和光子神经网络提供了有前途的新型计算范式，可提高功耗和算法可扩展性。

2.脑机接口

*类脑计算可促进脑机接口的开发，使人类和机器能够直接交换信息。

3.医疗应用

*类脑计算算法可用于疾病建模、药物发现和个性化治疗。

4.人工智能

*类脑计算原则可为人工智能的发展提供新的见解，增强机器学习和推理能力。

5.神经科学基础

*类脑计算模型可作为神经科学研究的强大工具，帮助阐明大脑的结构和功能基础。

6.计算神经科学

*类脑计算在计算神经科学中扮演着至关重要的角色，将计算方法应用于神经系统的研究。

随着技术进步和跨学科合作的加强，类脑计算有望克服挑战并成为改变科学、技术和人类社会的革命