[發明專利]基于分段線性脈沖神經元網絡的FPGA實現方法

在審

• 申請號: 202010773471.1
• 申請日: 2020-08-04
• 公開（公告）號: CN112101517A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 藺想紅;魯晗;皮曉妹;石國勇
• 申請（專利權）人: 西北師范大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/063;G06F15/78
• 代理公司: 北京知呱呱知識產權代理有限公司 11577
• 代理人: 康震

本發明實施例公開了基于分段線性脈沖神經元網絡的FPGA實現方法，包括：根據二維分段線性脈沖神經元模型構建神經元電路，以通過所述神經元電路進行輸入信息的整合與輸出，所述二維分段線性脈沖神經元模型包括神經元的膜電位的表達式和恢復變量的表達式；根據所述神經元電路按照隨機耦合結構進行擴展、配置脈沖編碼與解碼單元生成脈沖神經網絡的通信電路。本發明占用了較低的硬件資源，能夠在模擬呈現豐富的神經形態動力學同時，可以更高的硬件計算效率工作，便于擴展至大規模脈沖神經網絡的硬件架構實現和通信系統的動態仿真。

技術領域

本發明實施例涉及神經網絡技術領域，具體涉及基于分段線性脈沖神經元網絡的FPGA實現方法。

背景技術

為模擬生物信息編碼的機制和探索生物信息處理的動態過程，進而模仿出真實的大腦信息處理進程，研究者們提出了人工神經網絡(Artificial Neural Network,ANN)。人工神經網絡是受生物神經元組織和功能啟發的數學模型，可以自動地近似最能夠表征數據的任何函數形式，被廣泛用于解決許多預測和決策建模問題。作為第三代人工神經網絡的脈沖神經網絡(Spiking Neural Network，SNN)由于其與人腦相似的獨特信息處理機制與高性能的計算效能，目前受到了研究學者們的廣泛關注。

脈沖神經網絡的實質是通過獲取活體生物組織的線索特征來模擬真實生物神經元的信息處理方式和動態過程，實現生物學上的真實性并建立定量分析模型。從這個角度來看，它更關注神經動力學特性的深入研究，而不僅僅是分析神經網絡的宏觀變量。因此，與基于脈沖頻率編碼信息的傳統人工神經網絡相比，脈沖神經網絡擁有更強大的計算能力，非常適合于實現復雜時空模式的處理問題，在信息處理、生物醫學、社會經濟等領域中有良好高效的應用檢驗。

當前，脈沖神經網絡的實現方法可以歸為軟件實現和硬件實現兩種方法。軟件實現主要通過編寫代碼運行程序，以及仿真軟件進行模擬測試，存在的問題是執行速度較慢，無法對大規模脈沖神經網絡進行實時運算，并且系統的可擴展性較差。因此，更多的科研人員投身于脈沖神經網絡的硬件實現方法研究，以輸出低功耗、低時鐘頻率、高性能的硬件技術成果為核心目標。由于脈沖神經網絡模型處理信息的復雜性，對于脈沖神經網絡的硬件實現，需要研究全新的硬件架構。

目前對于神經形態硬件系統的實現方法和設計原理可分為硬件系統從高層次上分為模擬電路(Analog Circuitry)，數字系統(Digital Systems)和模擬/數字的混合實現(Mixed Analog/Digital)這三種實現方法。其中數字系統的實現設備主要分為兩大類，分別是FPGA、完全定制或專用集成電路(Application Specific Integrated Circuit，ASIC)芯片。實現脈沖神經元/網絡FPGA硬件架構的主要技術是基于脈沖神經網絡的理論研究成果對其進行硬件重構，并實時模擬脈沖神經網絡中脈沖的發放、傳遞及處理過程。應用FPGA技術設計與實現人工神經網絡，從而模擬生物神經系統的結構和功能，主要包含兩個方面：(1)構建神經元電路,負責完成輸入信息的整合與輸出等計算任務；(2)構建連接與通信電路，負責計算單元的通信互連，實現數據資源的信息交互，并形成特定的網絡拓撲結構。

目前脈沖神經網絡的硬件實現中，由于一方面只是考慮整體網絡架構的時效性而直接使用一維神經元模型，而另一方面在實現多維神經元模型觀察神經形態動力學特性時，只是簡單地分段線性近似微分方程的函數曲線，所以在脈沖神經元模型硬件實現的同時，損失了一定的神經形態動力學特性。

發明內容

本發明實施例的目的在于提供基于分段線性脈沖神經元網絡的FPGA實現方法，用以解決現有脈沖神經元模型硬件實現時損失了一定的神經形態動力學特性的問題。

為實現上述目的，本發明實施例主要提供如下技術方案：