本文主要研究内容
作者徐胜（2019）在《基于脉冲时间编码的神经形态硬件的设计与物理实现》一文中研究指出：神经形态计算泛指受生物大脑启发的或人工神经网络或使用非冯诺依曼体系结构的系统、设备、模型。脉冲神经网络模拟生物神经元的机制,增强了处理时空信息的能力,且由于其事件驱动的特性,脉冲神经网络功耗极低。研究人员尝试利用软件和传统冯诺依曼计算机模拟脉冲神经网络,缺点是仿真规模小、能耗高、效率低,为了更高效进行脉冲神经网络运算,需要定制神经网络硬件。得益于其低功耗、大规模并行性、高容错性、可配置扩展的特点,神经形态硬件拥有巨大的应用前景。神经形态硬件设计需要考虑的一个关键因素是神经元模型。脉冲神经网络神经元模型有很多种,规模从简单到复杂,生物合理性从低到高,有很多选择方案。复杂的模型更贴近生物实际,能模拟更复杂的神经元行为,从而更有可能实现类似大脑的功能,但是复杂的模型需要消耗非常多的计算资源,不利于硬件集成。综合考虑了模型的准确性和集成难度,本文选择泄漏积分触发(Leaky Integrate and Fire Model,LIF)脉冲神经元模型进行硬件设计,LIF模型不是非常符合生物神经元行为,但优点是可以在脉冲神经系统中产生足够的复杂性,并且计算简单,方便用于集成大规模神经元网络。神经形态硬件设计需要考虑的另一个关键因素是硬件实现的电路类型。常用的神经形态硬件实现方式主要有数字、模拟、数模混合形式。模拟系统利用电子设备的天然的物理特性进行计算,较贴近生物神经系统行为,但是不够稳定,容易受到噪声的影响,且不容易实现脉冲神经网络事件驱动的特性。而数字系统倾向于依赖布尔逻辑门,较稳定,且功耗低、体积小,易于大规模集成。考虑到系统能耗、效率、稳定性的要求,专用数字集成电路是不错的实现方式。本论文主要基于LIF脉冲神经元模型,完成了第一脉冲时间编码的32x32的脉冲神经网络运算核心的设计,并基于SMIC 55 nm工艺,使用半定制展平化物理设计流程完成了芯片级神经运算核心的逻辑综合、布图规划、布局、时钟树综合、布线、静态时序分析、物理验证,得到符合流片要求的版图,并交由Foundary进行流片,芯片规模250K instances数,2M门,芯片面积2.9mmx2.3mm,工作频率200M,pt功耗仿真大约54mw。
Abstract
shen jing xing tai ji suan fan zhi shou sheng wu da nao qi fa de huo ren gong shen jing wang lao huo shi yong fei feng nuo yi man ti ji jie gou de ji tong 、she bei 、mo xing 。mai chong shen jing wang lao mo ni sheng wu shen jing yuan de ji zhi ,zeng jiang le chu li shi kong xin xi de neng li ,ju you yu ji shi jian qu dong de te xing ,mai chong shen jing wang lao gong hao ji di 。yan jiu ren yuan chang shi li yong ruan jian he chuan tong feng nuo yi man ji suan ji mo ni mai chong shen jing wang lao ,que dian shi fang zhen gui mo xiao 、neng hao gao 、xiao lv di ,wei le geng gao xiao jin hang mai chong shen jing wang lao yun suan ,xu yao ding zhi shen jing wang lao ying jian 。de yi yu ji di gong hao 、da gui mo bing hang xing 、gao rong cuo xing 、ke pei zhi kuo zhan de te dian ,shen jing xing tai ying jian yong you ju da de ying yong qian jing 。shen jing xing tai ying jian she ji xu yao kao lv de yi ge guan jian yin su shi shen jing yuan mo xing 。mai chong shen jing wang lao shen jing yuan mo xing you hen duo chong ,gui mo cong jian chan dao fu za ,sheng wu ge li xing cong di dao gao ,you hen duo shua ze fang an 。fu za de mo xing geng tie jin sheng wu shi ji ,neng mo ni geng fu za de shen jing yuan hang wei ,cong er geng you ke neng shi xian lei shi da nao de gong neng ,dan shi fu za de mo xing xu yao xiao hao fei chang duo de ji suan zi yuan ,bu li yu ying jian ji cheng 。zeng ge kao lv le mo xing de zhun que xing he ji cheng nan du ,ben wen shua ze xie lou ji fen chu fa (Leaky Integrate and Fire Model,LIF)mai chong shen jing yuan mo xing jin hang ying jian she ji ,LIFmo xing bu shi fei chang fu ge sheng wu shen jing yuan hang wei ,dan you dian shi ke yi zai mai chong shen jing ji tong zhong chan sheng zu gou de fu za xing ,bing ju ji suan jian chan ,fang bian yong yu ji cheng da gui mo shen jing yuan wang lao 。shen jing xing tai ying jian she ji xu yao kao lv de ling yi ge guan jian yin su shi ying jian shi xian de dian lu lei xing 。chang yong de shen jing xing tai ying jian shi xian fang shi zhu yao you shu zi 、mo ni 、shu mo hun ge xing shi 。mo ni ji tong li yong dian zi she bei de tian ran de wu li te xing jin hang ji suan ,jiao tie jin sheng wu shen jing ji tong hang wei ,dan shi bu gou wen ding ,rong yi shou dao zao sheng de ying xiang ,ju bu rong yi shi xian mai chong shen jing wang lao shi jian qu dong de te xing 。er shu zi ji tong qing xiang yu yi lai bu er luo ji men ,jiao wen ding ,ju gong hao di 、ti ji xiao ,yi yu da gui mo ji cheng 。kao lv dao ji tong neng hao 、xiao lv 、wen ding xing de yao qiu ,zhuan yong shu zi ji cheng dian lu shi bu cuo de shi xian fang shi 。ben lun wen zhu yao ji yu LIFmai chong shen jing yuan mo xing ,wan cheng le di yi mai chong shi jian bian ma de 32x32de mai chong shen jing wang lao yun suan he xin de she ji ,bing ji yu SMIC 55 nmgong yi ,shi yong ban ding zhi zhan ping hua wu li she ji liu cheng wan cheng le xin pian ji shen jing yun suan he xin de luo ji zeng ge 、bu tu gui hua 、bu ju 、shi zhong shu zeng ge 、bu xian 、jing tai shi xu fen xi 、wu li yan zheng ,de dao fu ge liu pian yao qiu de ban tu ,bing jiao you Foundaryjin hang liu pian ,xin pian gui mo 250K instancesshu ,2Mmen ,xin pian mian ji 2.9mmx2.3mm,gong zuo pin lv 200M,ptgong hao fang zhen da yao 54mw。
论文参考文献
论文详细介绍
论文作者分别是来自电子科技大学的徐胜，发表于刊物电子科技大学2019-07-17论文，是一篇关于脉冲神经网络论文,泄漏积分触发论文,第一脉冲时间编码论文,物理实现论文,电子科技大学2019-07-17论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自电子科技大学2019-07-17论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：脉冲神经网络论文; 泄漏积分触发论文; 第一脉冲时间编码论文; 物理实现论文; 电子科技大学2019-07-17论文;