《Chinese Journal of Electronics》：Wenquxing 22: A Highly Efficient Neuromorphic Accelerator by RISC-V Customized Instruction Extension for Spiking Neural Network (RV-SNN 1.0), Streamlined LIF Model and Binary Stochastic STDP
编辑推荐：
本文提出了Wenquxing 22：一种神经形态处理器，通过RISC-V扩展指令高效计算脉冲神经网络（spiking neural network, SNN）。Wenquxing 22的核心思想是将SNN计算单元集成到通用顺序处理器的流水线中，通过自定义的RI
本文提出了Wenquxing 22：一种神经形态处理器，通过RISC-V扩展指令高效计算脉冲神经网络（spiking neural network, SNN）。Wenquxing 22的核心思想是将SNN计算单元集成到通用顺序处理器的流水线中，通过自定义的RISC-V SNN指令扩展1.0（RV-SNN 1.0）实现神经形态计算。为了将漏积分点火（leaky integrate-and-fire, LIF）模型集成到顺序处理器中，研究人员精简了传统LIF模型，称为精简LIF模型（streamlined LIF model），并将其应用于流水线。还提出了具有二元突触权重的二元随机脉冲时间依赖可塑性（binary stochastic spike-timing-dependent-plasticity, STDP），以实现Wenquxing 22的能效。实验结果表明，在Xilinx Alveo U250上，以300 MHz工作频率运行纯1位2层SNN时，Wenquxing 22的有效峰值能效达到2.4 TSOPS/W（万亿次突触操作每秒每瓦），面积效率达到339.9 SOP/LUT（每查找表的突触操作次数）；在改进的国家标准与技术研究所数据库（modified national institute of standards and technology database, MNIST）上的峰值分类准确率为95.75%。研究人员还评估了Wenquxing 22物理芯片在开发板上的功耗，结果为2.48 W。Wenquxing 22优于现有的开源脉冲系统。Wenquxing 22的源代码位于https://gitee.com/OpenBPU/OpenBPU1。
**论文解读：Wenquxing 22——基于RISC-V自定义指令扩展的高效神经形态加速器**
**研究背景与动机**
随着生物启发计算的不断发展，研究人员试图通过神经科学观察来模仿大脑的行为。人工神经网络（ANN）作为人工智能（AI）的重要概念，已广泛应用于计算机视觉和传感数据处理等领域。然而，传统基于CPU或GPU的AI计算在处理复杂信息时面临高功耗挑战。脉冲神经网络（SNN）作为第三代神经网络模型，具备在线学习能力，能够以事件驱动方式模拟生物神经元的低功耗计算，成为理想选择。尽管如此，SNN在硬件实现中仍面临挑战：传统神经元模型（如LIF模型）计算复杂，难以高效集成到通用处理器流水线中；突触权重的更新通常涉及大量乘除运算，导致流水线停顿和功耗增加。此外，现有神经形态加速器多采用松耦合设计，与处理器通信开销大，缺乏灵活性。针对上述问题，中国科学院大学OS-CPU团队基于开源RISC-V处理器NutShell，设计了Wenquxing 22——一种高效集成的神经形态加速器，通过自定义RISC-V指令扩展（RV-SNN 1.0）将SNN计算单元紧密耦合到流水线中，实现低功耗高性能的SNN加速。该论文发表在《Chinese Journal of Electronics》。
**研究内容与结论**
研究人员提出并实现了Wenquxing 22处理器，其主要结论包括：通过精简LIF模型（去除时间参数、采用顺序驱动）和二元随机STDP学习规则（BS-STDP），成功将SNN计算单元集成到顺序处理器流水线中；在Xilinx Alveo U250 FPGA上，以300 MHz频率运行时，有效峰值能效达2.4 TSOPS/W，面积效率达339.9 SOP/LUT；在MNIST数据集上，40神经元隐藏层的SNN分类准确率达95.75%；物理芯片（28 nm工艺）在开发板上的功耗仅2.48 W；与现有开源脉冲系统ODIN相比，Wenquxing 22在FPGA上功耗降低约5倍，硬件资源使用减少约8倍。
**主要关键技术方法**
1. **RISC-V自定义指令扩展RV-SNN 1.0**：在NutShell处理器（9级顺序流水线，指令集RV64IMACSU）的执行阶段集成SNN单元（SNNU），包括4种指令类型（R型、S型、L型、U型），涵盖神经元更新、突触更新及辅助操作，实现紧密耦合的硬件-软件协同设计。
2. **精简LIF模型**：去除传统LIF模型中的时间常数和乘除运算，采用基于输入脉冲顺序的加法-泄漏-比较方式更新膜电位（公式S
current = S
previous + V
valid ? V
leak），通过移位操作替代乘除，减少流水线停顿。
3. **二元随机STDP（BS-STDP）**：使用1位二元突触权重，通过长时程增强（LTP）和长时程抑制（LTD）两阶段实现学习；LTD概率由16位线性反馈移位寄存器（LFSR）生成随机数比较，避免过学习，支持片上在线学习。
**研究结果**
**Section I. Introduction**
介绍了生物启发计算的发展趋势，指出SNN作为第三代神经网络具备低功耗和在线学习优势，现有硬件难以高效实现。研究人员提出将SNN计算单元集成到RISC-V流水线中，以RV-SNN 1.0指令扩展实现紧密耦合设计。
**Section II. Background**
阐述了传统LIF模型（公式τ
m dV/dt = ?(V?E
L) + I/g
L）的简化局限性，研究人员提出顺序驱动的精简LIF模型（公式S
current = S
previous + V
valid ? V
leak），去除时间参数。同时提出BS-STDP，通过二元权重和概率性LTD（P
LTD = 1024 × Δw / w
sum）实现高效学习。
**Section III. RV-SNN Instruction Set Extension 1.0**
定义了RV-SNN 1.0指令集，包括用于神经元更新的VLEAK、NADD、SGE、SLS指令；用于BS-STDP的SUP、LTD指令；以及用于尖峰处理的ANDS、RPOP指令和用于加载/存储的NLD、NST、SINIT等指令。这些指令通过自定义操作码集成到RISC-V架构中。
**Section IV. Hardware Implementation**
基于NutShell基线处理器，在执行阶段添加SNN单元（SNNU），包含尖峰处理单元（SPU）、神经元单元（NU）和突触单元（SU）。SPU执行ANDS和RPOP；NU实现精简LIF模型（通过加法、比较、移位）；二元突触权重单元（BSWU）实现LTP和LTD两阶段STDP。芯片采用28 nm工艺流片，逻辑单元数107,731，标准单元面积196,234.241 μm2，最大时钟频率400 MHz。
**Section V. Experiment Results**
在MNIST数据集上（60,000训练/10,000测试样本，28×28灰度图像），使用2层全连接SNN（输入层28×28=784神经元，隐藏层10/20/40神经元，输出层10神经元）进行监督STDP训练。与ODIN处理器在相同Xilinx Alveo U250平台上比较：Wenquxing 22总功耗5.055 W（100 MHz），峰值能效2.4 TSOPS/W（300 MHz），均优于ODIN（25.949 W，0.08 TSOPS/W）。硬件资源使用方面，Wenquxing 22仅比NutShell基线多1,288个LUT，而ODIN使用资源约8倍于此。分类准确率：隐藏层10神经元80.94%、20神经元86.91%、40神经元95.75%。
**Section VI. Conclusions**
研究人员提出了一种高效流水线内SNN计算解决方案Wenquxing 22，基于RISC-V自定义指令扩展RV-SNN 1.0，在灵活性、能效和准确率上均优于现有开源脉冲系统（如ODIN）。未来将基于算法工作开发更多脉冲算法。研究结论：Wenquxing 22在FPGA和物理芯片上实现了低功耗、高准确率的SNN加速，验证了紧密耦合设计与精简模型的有效性。
