论文部分内容阅读
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。