Neuromorphic Computing bezeichnet Chiparchitekturen, die den Aufbau des Gehirns nachbilden, indem Speicherung und Verarbeitung nicht getrennt sind, sondern in denselben Bauelementen zusammenfallen. Klassische Rechner trennen beides und verbrauchen einen erheblichen Teil ihrer Energie für den Transport von Daten zwischen Speicher und Prozessor; genau diesen Weg spart der neuromorphe Ansatz ein.
Verarbeitet wird dabei meist in Form kurzer Impulse in sogenannten spiking neural networks, die nur dann Signale senden, wenn sich etwas ändert, statt kontinuierlich zu rechnen. Daraus ergibt sich der wesentliche Vorteil, nämlich ein um Größenordnungen geringerer Energiebedarf für bestimmte Aufgaben, etwa die dauerhafte Auswertung von Sensordaten.
Bekannte Forschungschips sind Loihi von Intel und TrueNorth von IBM; die Technik steckt weiterhin im Forschungsstadium, unter anderem weil es an ausgereiften Trainingsverfahren und Entwicklungswerkzeugen fehlt. Als Einsatzfelder gelten weniger große Rechenzentren als sparsame Geräte am Rand des Netzes, die dauerhaft wahrnehmen müssen, ohne an einer Steckdose zu hängen.