目录
1.SNN脉冲神经网络概述
脉冲神经网络 (SNN) 被认为是计算中的大脑启发机制。它在许多领域都表现出卓越的效率。与人工神经网络 (ANN) 中大量获取计算资源和内存带宽相比,SNN 提供了一种将存储和计算集成在一起的便捷方式,有助于提高效率。
然而,有两个因素限制了计算和功率的效率。一是片外存储器和片内存储器之间的高吞吐量数据传输。在 FPGA 上实现片上学习系统时,全局梯度的计算需要将大量的状态变量存储在寄存器中,这对于 FPGA 来说是非常奢侈的。动态随机存取存储器 (DRAM) 通常用作片外存储器,与静态随机存取存储器 (SRAM) 相比,DRAM的功耗要高得多,从DRAM访问32位数据需要640pJ,但从SRAM访问8Kb数据只需 5pJ。
因此存储和计算的融合成为解决速度和能耗问题的关键,该研究实现的学习系统将多室LIF(MLIF)模型应用于包含基底树突、顶端树突和胞体的 SNN,将权重存储在神经元之间的突触中,顶端树突中的平台电位指导突触权重的更新,不再需要一直存储状态变量来计算梯度,内存复杂度降低到 O(N)。为了匹配数字电路,应用移位乘法器(shift MUL)和分段线性(PWL