基于FPGA的自适应LIF神经元：用于高速、低功耗的脉冲神经网络

《IEEE Transactions on Circuits and Systems for Artificial Intelligence》：FPGA-Based Adaptive LIF Neuron for High-Speed, Energy-Efficient Spiking Neural Network

脉冲神经网络（SNN）因类脑计算和低能耗特性受关注。本文提出自适应LIF神经元，通过动态调节阈值和漏电率，在FPGA实现中使资源利用率提升2.5倍、延迟降低2倍，并在MNIST分类中达到95%准确率，能耗降低68%。

　　

摘要：

脉冲神经网络（SNN）因其生物学特性和较低的能耗而受到关注，相较于传统的神经网络具有优势。SNN的效率取决于其神经元，因此选择合适的神经元对于实现其生物学特性至关重要。本文实现了一种自适应的“泄漏积分-放电”（LIF）神经元模型，该模型通过突触前脉冲输入、自适应阈值和自适应泄漏率来进行设计。所提出的LIF神经元具有较低的放电频率，从而在不同突触前输入频率和噪声水平下降低了计算成本和浮点运算量。与现有的最佳性能LIF神经元相比，本文提出的神经元在资源利用率和延迟方面有显著提升。该LIF神经元的触发器数量、查找表（LUT）大小以及延迟时间分别优于现有最佳性能神经元：2.5倍, 5.7倍, 2.0倍。为了评估该神经元的性能，我们在Artix-7现场可编程门阵列（FPGA）上实现了一个SNN模型。该SNN在修改后的国家标准与技术研究院（MNIST）手写数据集分类任务中达到了95%的准确率。使用我们提出的基于神经元的SNN进行图像分类时的总延迟时间为0.9毫秒，比现有最佳性能SNN低60%。此外，该SNN在图像处理方面的能效提高了68%。

引言

在过去的几十年中，人工智能应用（如健康监测[1]、图像分类[2]和语音识别[3]）得到了广泛研究，涉及多种神经网络，包括人工神经网络（ANN）、脉冲神经网络（SNN）和认知神经网络。然而，由于ANN在推理和训练过程中需要复杂的计算，其能耗较高。相比之下，人类大脑包含860亿个神经元[4]，能够在极低的能耗下处理实时且更复杂的任务。因此，设计一种兼具高吞吐量和高准确率的低功耗神经网络变得十分重要。最近，SNN因其受大脑启发的自然计算能力以及在极低能耗下的表现而引起了科学界的关注[5][6]。ANN与SNN的主要区别在于：在ANN中，每个神经元无论是否接收到输入都会进行计算；而在SNN中，计算仅在接收到输入时才会发生[7]。这些网络中的计算过程包括对输入脉冲的积分处理、与阈值电位的比较以及输出脉冲的生成，属于计算密集型过程。由于SNN涉及大量的并行计算[8]，因此可以采用最新的多核或众核CPU和GPU来实现其功能。GPU可以加速计算速度，但SNN的一些特性（如稀疏特征）难以被高效利用[9]。