NeuroComp：用于在神经形态硬件上高效部署脉冲神经网络的跨平台编译器

《ACM Transactions on Architecture and Code Optimization》：NeuroComp: A Cross-Platform Compiler for Efficient SNN Deployment on Neuromorphic Hardware

　　脉冲神经网络（SNNs）具有显著的能量效率优势，但将其部署到各种神经形态硬件上仍然面临挑战。现有的工具链存在关键的权衡问题：特定平台的框架缺乏可移植性，而底层编程接口则需要大量硬件专业知识且生成的代码不具备可移植性。此外，传统深度学习编译器无法处理SNNs独特的时序动态特性以及神经形态架构的特殊约束。为弥补这一差距，我们提出了NeuroComp——一种跨平台编译器，能够针对异构神经形态后端自动生成功能正确且高性能的代码。我们的核心洞察是，神经形态硬件多样的执行行为可以被统一建模为可并行的标量计算，并可通过嵌套循环来表达。在此基础上，NeuroComp引入了统一的多层次循环抽象，以系统地将SNN的计算语义与硬件能力进行对齐。为高效探索庞大的实现空间，我们提出了一种解耦的两阶段调度策略。第一阶段执行批次划分，以保证功能正确性和严格的架构合规性；第二阶段则在轻量级硬件特定成本模型和启发式剪枝的引导下，优化批次间的执行顺序以实现最大程度的数据复用。我们在三种代表性架构范式上评估了NeuroComp：指令扩展型CPU、专用加速器和多核硬件。实验结果表明，NeuroComp相较于精心手工优化的实现方案始终能取得有竞争力的性能，并且显著优于现有的通用自动编译器，在有效减少开发工作的同时实现了跨平台可移植性。