基于硬件时分复用的大规模脉冲神经网络处理器

With the emerging of brain inspired computing, spiking neural network (SNN), which mimics the biological brain, is in the research spotlight as one of the most possible fields for future general artificial intelligence. Accelerating large scale SNNs is also become crucial. However, most the current architectures map each logical neuron into physical neurons, which is unrealistic for large scale SNNs. This project aims to design accelerator using hardware time divided multiple accesses (TDMA) for large scale spiking neural networks, studying related algorithm optimization, architecture design and verification. This project will contribute to intelligence processors of our country with entire framework of accelerator for any scale SNNs, as well as related development tools.

在类脑计算的浪潮中，作为一种对大脑工作方式有效模拟，脉冲神经网络被认为是是实现脑计算根本性突破的几个可能性方向之一，从而成为研究的热点。对于大规模脉冲神经网络的加速也变得至关重要，然而由于脉冲神经网络的特殊性，现有的结构设计通常使得物理上的神经元和逻辑上的神经元一一对应，而对于构建大规模脉冲神经网络专用的处理器运行平台，这种方式变得十分困难。本项目拟设计通过时分复用支持任意规模的脉冲神经网路处理器，主要从算法优化、结构设计和验证三个方面展开具体研究，从而使得任意规模的脉冲神经网络算法可以运行在有限的硬件资源上，并以此为基础构建一整套完成的加速平台。本项目力争形成脉冲神经网络处理器平台及配套开发工具，为我国智能芯片研发添砖加瓦，提供参考和支持。

在类脑计算的浪潮中，作为一种对大脑工作方式有效模拟，脉冲神经网络被认为是实现脑计算根本性突破的几个可能性方向之一，从而成为研究的热点。对于大规模脉冲神经网络的加速也变得至关重要，然而由于脉冲神经网络的特殊性，现有的结构设计通常使得物理上的神经元和逻辑上的神经元一一对应，而对于构建大规模脉冲神经网络专用的处理器运行平台，这种方式变得十分困难。项目从算法优化、结构设计和验证三个方面展开了具体研究，使得任意规模的脉冲神经网络算法可以运行在有限的硬件资源上，并以此为基础构建了一整套完整的加速平台。本项目设计了硬件神经元结构，构建了通过时分复用支持任意规模的脉冲神经网络处理器，设计了验证方法，并建立从底层到上层的误差传播模型。