• 北大核心期刊(《中文核心期刊要目总览》2017版)
  • 中国科技核心期刊(中国科技论文统计源期刊)
  • JST 日本科学技术振兴机构数据库(日)收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

用于脉冲卷积神经网络的神经形态处理VLSI架构设计

汪晶 王君鹏 孙文昊 陈松

汪晶, 王君鹏, 孙文昊, 陈松. 用于脉冲卷积神经网络的神经形态处理VLSI架构设计[J]. 微电子学与计算机, 2020, 37(12): 1-5.
引用本文: 汪晶, 王君鹏, 孙文昊, 陈松. 用于脉冲卷积神经网络的神经形态处理VLSI架构设计[J]. 微电子学与计算机, 2020, 37(12): 1-5.
WANG Jing, WANG Jun-peng, SUN Wen-hao, CHEN Song. A neuromorphic hardware design of a spiking convolutional neural network[J]. Microelectronics & Computer, 2020, 37(12): 1-5.
Citation: WANG Jing, WANG Jun-peng, SUN Wen-hao, CHEN Song. A neuromorphic hardware design of a spiking convolutional neural network[J]. Microelectronics & Computer, 2020, 37(12): 1-5.

用于脉冲卷积神经网络的神经形态处理VLSI架构设计

基金项目: 

国家自然科学基金资助项目 61732020

详细信息
    作者简介:

    汪晶  男,(1995-),硕士研究生.研究方向为脉冲神经网络神经形态硬件设计. E-mail: wj50678@mail.ustc.edu.cn

    王君鹏  男,(1997-),硕士研究生.研究方向为基于忆阻器的神经形态系统可靠性设计

    孙文昊  男,(1997-),硕士研究生.研究方向为存算一体架构设计

    陈松  男,(1979-),博士,副教授.研究方向为脑启发的新型计算架构设计及其自动化,VLSI计算机辅助设计

  • 中图分类号: TN492

A neuromorphic hardware design of a spiking convolutional neural network

  • 摘要: 传统的卷积神经网络在训练和识别阶段通常都需要用高能耗的GPU,无法应用到需要小型低功耗设备的移动应用场景中.本文设计了一种用于识别手写体的数字脉冲卷积神经网络神经形态硬件VLSI架构,根据脉冲神经网络设计的神经形态硬件系统只有在有输入脉冲到来时硬件才会进行相应处理,从而能达到很低的能耗.在识别MNIST数据集时,卷积神经网络识别精度为99.0%,使用该神经形态硬件的识别精度能达到98.46%.相比于相同硬件结构的传统卷积神经网络,平均能耗大大降低.
  • 图  1  神经形态处理核框图

    图  2  神经形态处理核之间通信硬件逻辑的简化

    图  3  卷积神经网络与神经形态处理核之间映射关系

    图  4  脉冲卷积神经网络神经形态硬件整体硬件架构

    表  1  各硬件电路的综合结果与性能对比

    网络面积/mm2总功耗/mW准确度/%
    卷积神经网络[10]1.4277.599.00
    脉冲神经网络[10]3.310.4798.43
    本设计(共计59个神经形态处理核)3.1725.098.46
    下载: 导出CSV
  • [1] SZE V, CHEN Y H, YANG T J, et al. Efficient processing of deep neural networks: A tutorial and survey[J].Proceedings of the IEEE, 2017, 105(12):2295-2329. doi:  10.1109/JPROC.2017.2761740
    [2] PONULAK F, KASINSKI A. Introduction to spiking neural networks: Information processing, learning and applications[J]. Actaneurobiologiae experimentalis, 2011, 71(4):409-433. http://europepmc.org/abstract/MED/22237491
    [3] RUECKAUER B, LUNGU I A, HU Y, et al. Conversion of continuous-valued deep networks to efficient event-driven networks for image classification [J]. Frontiers in neuroscience, 2017, 11:10.3389/fnins.2017.00682. doi:  10.3389/fnins.2017.00682
    [4] SENGUPTA A, YE Y, WANG R, et al. Going deeper in spiking neural networks: VGG and residual architectures[J]. Frontiers in neuroscience, 2019, 13:10.3389/fnins.2019.00095. doi:  10.3389/fnins.2019.00095
    [5] DIEHLP U, NEIL D, BINAS J, et al. Fast-classifying, high-accuracy spiking deep networks through weight and threshold balancing [C]. IEEE International Joint Conference on Neural Networks, 2015: 1-8.
    [6] ESSERA S K, MEROLLAA P A, ARTHURA J V, et al. Convolutional networks for fast energy-efficient neuromorphic computing[J].PNAS, 2016, 113(41):11441-11446. doi:  10.1073/pnas.1604850113
    [7] AKOPYAN F, SAWADA J, CASSIDY A, et al. Truenorth: Design and tool flow of a 65 mw 1 million neuron programmable neurosynaptic chip [C]. IEEE transactions on computer-aided design of integrated circuits and systems, 2015, 34(10): 1537-1557.
    [8] DAVIESM, SRINIVASA N, LIN T H, et al. Loihi: A neuromorphic manycore processor with on-chip learning [J]. IEEE Micro, 2018, 38(1):82-99. doi:  10.1109/MM.2018.112130359
    [9] FRENKEL C, LEFEBVRE M, LEGAT J D, et al. A 0.086-mm212.7-pJ/SOP 64k-synapse 256-neuron online-learning digital spiking neuromorphic processor in 28-nm CMOS [J]. IEEE transactions on biomedical circuits and systems, 2018, 13(1):145-158.
    [10] XUE T Z, LIU B C, CHEN S. A Hardware Implementation of a Spiking Convolutional Neural Network [J]. Microelectronics & Computer, 2019, 36(10):37-41.
    [11] ABBOTT L F. Lapicques introduction of the integrate-and-fire modelneuron [J]. Brain research bulletin, 1999, 50(5-6):303-304. doi:  10.1016/S0361-9230(99)00161-6
    [12] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks forlarge-scale image recognition [C]. ICLR, 2014: 1-14.
    [13] HE K, ZHANG X, REN S, et al. Deep residual learning for imagerecognition [C]. IEEE Conference on Computer Vision andPattern Recognition, 2016: 770-778.
    [14] DALLY W J, TOWLES B P. Principles and practices of interconnection networks [M]. Elsevier, 2004: 354-357.
  • 加载中
图(4) / 表(1)
计量
  • 文章访问数:  267
  • HTML全文浏览量:  68
  • PDF下载量:  72
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-02-16
  • 修回日期:  2020-03-22
  • 刊出日期:  2020-12-05

目录

    /

    返回文章
    返回