基于单稳态多谐振荡器定时神经元的网络训练方法及其在神经形态计算中的应用

本文提出了一种突破性的神经形态硬件设计策略，通过采用单稳态多谐振荡器（MMV）定时神经元构建网络，以逻辑或（OR）运算替代传统突触加权加法（synaptic addition），显著降低并行化瓶颈。研究展示了事件驱动型二值化递归网络在分类任务（如MNIST手写数字识别）中的高效性能，其单次推理能耗低至855 pJ（TSMC 28 nm工艺），为边缘计算提供了高能效解决方案。

　　

章节精选

基本MMV操作机制

图1展示了抽象非重触发单稳态多谐振荡器（MMV）的运行原理与符号表示。MMV具有两种状态：空闲（idle）与触发（triggered），仅包含两个数字输入——兴奋性（EXC）与抑制性（INH）。处于空闲状态时，兴奋性输入事件①会触发MMV，经过时间间隔T后返回空闲状态并发射脉冲②（状态转换中的向下箭头表示脉冲发射）。若在输入触发③后出现新的兴奋事件……

研究方法

我们的训练算法结合了反向传播与替代梯度（surrogate gradients）、渐进连接二值化及周期舍入技术，可借助PyTorch等自动微分框架实现。目标是对图3所示MMV网络进行训练，需解决三大问题：

A) 建模MMV的非连续操作特性；

B) 模拟逻辑或（OR）网络结构；

C) 为MMV周期确定整数值并优化二值连接权重……

MNIST手写数字识别

MNIST手写数字分类任务（Lecun et al., 1998）是神经网络新方法的基准测试。图7展示了MMV网络在此任务中的架构：28×28灰度图像经0.5阈值二值化为事件信号，按行输入至规模为N的网络中，经过28个时间步后生成N维整数值脉冲计数向量……

结论

我们提出了一种针对单稳态多谐振荡器（MMV）递归网络的训练算法。这种非生物启发的脉冲定时神经元通过逻辑或（OR）整合输入信号，规避了传统网络中的突触加法操作。结合渐进二值化与替代梯度技术，实验证明该数字递归网络在多项分类任务中均具备优异精度。初步能耗评估表明……