一种可重构脉冲神经网络硬件计算系统设计

【摘要】 随着脉冲神经网络（SNN）在人工智能领域中被广泛应用,SNN硬件加速器的性能需求也在日益增加。对于通用硬件推理工具CPU,其受限于冯·诺依曼架构,面对大量重复运算时,需要反复从存储区将数据搬运至计算区,耗费大量时间。而大多数SNN专用硬件加速器仅实现了定制化计算,适配特定的神经元模型、神经网络模型,当模型变换时,需要频繁地重新设计专用的硬件加速器。为了解决这个问题,本文提出了一种可重构脉冲神经网络硬件计算系统设计,通过分析神经元膜电位更新的共性,采取后序表达式的方法描述神经元模型,采用片上网络（NOC）作为系统的主体通信方式,并针对脉冲神经网络的推理作了路由规则的优化。实验结果表明,本系统可以实现对不同神经元模型、不同神经网络模型的模型推理计算。本系统吞吐量达到了205.98 GOPS,能效比约为1.3 GOPS/W。在与CPU和GPU的对比中,本文所设计的可重构脉冲神经网络硬件加速平台,在帧率和能耗比上更有优势,而准确率依旧保持相对不错的水平。此外,本平台还和其他平台进行了对比,本文在支持可重构的同时,在帧率和能效比上有明显的优势。更多还原