基于离散时间脉冲神经网络的工业气体分类数字神经形态系统设计及FPGA实现

《Electronics》：Efficient Spiking Neural Network Prototype on FPGA for Classifying Gases

　　脉冲神经网络（SNNs）是一类数值模型，其计算特性源自相互连接的生物神经元与突触，由此推动了软件或硬件层面神经形态系统的发展。这些模型在数字硬件中运行于离散时间域，主要计算神经元的膜电位，其算术过程可简化为加法运算，精度损失极小。这一优势源于使用递归离散时间算法对原始微分膜方程的解进行近似。本文提出了一种基于PyTorch框架内机器学习工具实现的离散时间SNN设计。通过现场可编程逻辑阵列（FPGA）实现后，该系统可高效分类危险的工业气体。实验利用含金属氧化物气体传感器的测量板所生成的可用数据集进行验证，这些数据集展现了传感器的变异性。本文的SNN模型使用Adam优化器并配合权重截断策略进行训练以增强收敛性，最终分类效率达到95.7%。随后，突触参数被导出至优化后的FPGA平台。该数字神经形态系统的三项主要贡献如下：（1）所提出的SNN通过简单的时序处理模块近似神经元中的连续膜电位；（2）带有阈值能力的泄漏积分-放电（LIF）神经元模型可在硬件中并行化处理；（3）最终的SNN硬件原型在分类任务中展现了出色的能效表现。此外，神经元之间权重参数的最终值非常适合模拟脉冲系统，可作为本文数字系统的硬件对应方案。