31、神经形态硬件的分层片上网络架构解析

神经形态硬件的分层片上网络架构解析

1. 引言

哺乳动物大脑一直是神经科学家、计算机科学家和工程师们极为关注的研究领域。神经科学家侧重于生物物理模型，而计算机科学家和工程师则更关注大脑强大的信号处理能力。与传统的冯·诺依曼架构通用计算机相比，大脑能够实现高度并行、低功耗且容错的计算。

为了模拟大脑处理信息的原理，人工神经网络（ANNs）应运而生。研究人员开发了如霍奇金 - 赫胥黎模型、泄漏积分 - 发放（LIF）模型和伊日凯维奇模型等多种计算神经元模型，进而催生了脉冲神经网络（SNNs）这一强大的计算范式。SNNs 采用神经元脉冲之间的时间间隔来编码信息，更接近生物神经元的建模方式，但也增加了计算复杂度，使得在当前通用计算机上模拟大规模 SNNs 变得困难。

SNNs 通过加权突触连接在神经元之间传输短瞬态脉冲（即脉冲）进行通信。当神经元的电位超过特定的膜电位阈值时，就会发出脉冲。SNNs 具有并行处理能力、快速适应能力和潜在的容错能力，适用于嵌入式应用，如神经形态电路和控制应用。然而，要构建能够模拟大脑信息处理原理的人工神经系统，关键挑战在于提供可扩展的神经元间架构。

2. 脉冲神经网络（SNNs）

• 特点 ：SNNs 利用脉冲时间编码信息，比以往的人工神经网络模型更接近生物神经元建模，但计算复杂度高。
• 通信方式 ：神经元通过加权突触连接传输脉冲进行通信，当电位超过阈值时发出脉冲。
• 优势 ：具备并行处理能力、快速适应能力和潜在容错能力，适用于嵌入式应用。