79、神经网络硬件实现：模拟与数字集成电路的对比与分析

神经网络硬件实现：模拟与数字集成电路的对比与分析

1. 模拟VLSI实现神经网络

模拟VLSI在神经网络硬件实现中具有独特的优势。在信号传输方面，存在传输衰减和传输噪声，这两者都随信道占用率的增加而增大。对于m线总线，代码中“1”的最佳数量是最接近m/2的整数，在10 < m < 20时，冗余仅约为两位。

这种通信方案的一个应用是将发送映射的活动传输到接收映射进行进一步处理。硬件可通过分别传输每个事件起源的行和列地址来简化。仅接收两个脉冲就可以实现脉冲频率解码，并且这种转换可以与突触加权和求和相结合。如果突触只是对脉冲进行加权并直接在细胞体中累积，则无需进行转换。

另一种使用脉冲流通信的方式是在一个脉冲间隔时间内按顺序将信道分配给每个传输单元。通信仍然是异步的，但不是事件驱动的。此外，不太活跃的单元会分配到更多时间，而非常低的活动必须被丢弃。这种方案在传输脉宽调制（PWM）信号时更有效，因为脉冲宽度与活动成正比。

模拟VLSI为神经网络的硬件实现提供了丰富的媒介，如果精度要求有限，它比数字实现需要更少的功率和芯片面积。由于信号表示、晶体管操作模式和基本计算块的选择广泛，完整系统的实现方式多种多样。然而，设计可行的模拟电路需要大量专业知识，因为需要解决从器件物理到系统架构的一系列问题。与数字电路不同，没有真正的综合工具，设计更加耗时。新的想法甚至现有想法的新实现不仅需要通过计算机模拟验证，还需要通过物理实现验证，测试也更加困难。

目前，神经网络的模拟实现数量仍然有限，大多数是等待工业应用的实验系统。现有的工业应用大多是感知系统的前端，它们与神经网络密切相关，因为它们利用了大规模并行模拟VLSI，但目前仅公布了最基本的应用。大多数应