混合型SNN：基于CMOS 8T SRAM的脉冲神经网络加速器，采用混合漏电积分触发神经元结构，以实现更高的能效和容错能力

《IEEE Access》：Hybrid-SNN: CMOS 8T SRAM based Spiking Neural Network (SNN) accelerator with Hybrid Leaky-and-Integrate Fire (LIF) Neuron for Optimized Energy efficiency and Error tolerance

　　

摘要：

脉冲神经网络作为一种在人工智能领域极具前景的技术范式，能够有效模拟生物神经系统的动态行为。这类网络模型通常采用确定性漏积分-放电神经元或随机性漏积分-放电神经元，这两种神经元类型均为实现特定性能目标而设计。确定性漏积分-放电神经元通过降低脉冲产生的频率来提升能效，而随机性漏积分-放电神经元则有助于提高系统的容错能力。不过，现有的硬件无法同时支持这两种类型的神经元。在本文中，我们提出了一种混合型脉冲神经网络加速器——基于CMOS技术的混合漏积分-放电神经元加速器，该加速器能够在同一硬件平台上以确定性漏积分-放电神经元或随机性漏积分-放电神经元的形式运行，从而实现多种混合配置的灵活应用。软件仿真结果表明，通过将这两种类型的神经元合理分配到不同层次，混合型脉冲神经网络能够充分发挥两种神经元的优势：确定性漏积分-放电神经元提升能效，随机性漏积分-放电神经元增强容错能力。这种混合配置不仅提升了能效，还增强了系统的计算稳定性，其性能优于仅使用一种类型神经元的配置。该混合型脉冲神经网络采用180纳米CMOS工艺制造，其能耗仅为1.62皮焦/次操作，相比随机性类型的神经元，能效提升了1.59倍；在权重出现5%随机偏差的情况下，其精度下降幅度仅为7.67%，相比确定性类型的神经元，精度保持能力提升了1.64倍。