基于异步工作方式的数模混合神经网络芯片关键模块的设计研究

摘要

随着人工智能的快速发展，越来越多的神经网络算法被广泛运用于模式识别，语音分析，感觉处理等方面，但是这些算法需要消耗大量的硬件资源。为了使神经网络范式应用于更加有效的神经网络系统中，实现专用人工智能芯片显得格外重要。
　　本文提出了一种基于Spiking Neural Network(SNN)的可配置异步神经网络芯片的架构。该系统含有256x4个神经元，256x4个突触以及实现不同芯片之间神经元连接的路由器电路。考虑到不同神经元模型的生物相似性以及电路实施可行性，此神经网络采用了基于integrate-and-fire模型的神经元电路，该神经元电路可以通过不同的偏置调整其产生脉冲时的阈值电压以及产生脉冲后的生物绝对不应期时间，并且该神经元具有脉冲频率自适应功能，该功能能够自主调整神经元脉冲产生的频率。由于spike-timing-dependent plasticity(STDP)仅仅根据突触前后神经元产生的脉冲时间差来更新突触权值，而对那些没有时序关系的脉冲则无法进行权值更新，本文采用了基于突触后去极化程度以及钙离子浓度等参数的突触学习机制，并且加入了相应的stop-learning功能使突触能够学习存储更多的输入模式。为了实现不同神经网络芯片之间的互联，本文设计了用于不同芯片之间通信的Address Event Representation(AER)协议，并且采用了一种二级路由方式，该路由方式能够有效的减少存储神经元连接信息的内存容量。
　　本文采用了SMIC180nm工艺来实现上述神经网络系统中的关键模块，对不同的模块进行了相应的仿真分析并且验证了关键模块工作的正确性。