Page 352 - 《软件学报》2025年第4期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2025,36(4):1758−1795 [doi: 10.13328/j.cnki.jos.007298] [CSTR: 32375.14.jos.007298] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
神经形态计算: 从脉冲神经网络到边缘部署

俞诗航 1,2 , 易梦军 1,3 , 吴 洲 1,2 , 申富饶 1,3 , 赵 健 4

(计算机软件新技术国家重点实验室 (南京大学), 江苏 南京 210023)
1
2
(南京大学 计算机学院, 江苏 南京 210023)
3
(南京大学 人工智能学院, 江苏 南京 210023)
4
(南京大学 电子科学与工程学院, 江苏 南京 210023)
通信作者: 申富饶, E-mail: frshen@nju.edu.cn; 赵健, E-mail: jianzhao@nju.edu.cn
摘 要: 受生物神经系统启发, 神经形态计算的概念于 20 世纪 80 年代被提出, 旨在模拟生物大脑的结构和功能,
实现更高效、更具生物合理性的计算方式. 作为神经形态计算的代表模型, 脉冲神经网络 (SNN) 因其脉冲稀疏性,
representative model of neuromorphic computing, spiking neural networks (SNNs) have been widely employed in edge intelligence tasks
事件驱动性、生物可解释性以及硬件契合性等优势, 在资源严格受限的边缘智能任务中得到了广泛应用. 针对脉
冲神经网络的边缘部署情况进行梳理和汇总, 首先从脉冲神经网络模型自身的原理出发, 论述脉冲神经网络的高
能效计算方式以及巨大的边缘部署潜力. 然后介绍当下常见的脉冲神经网络硬件实现工具链, 并重点对脉冲神经
网络在各类神经形态硬件平台的部署情况做详细的整理与分析. 最后, 考虑到硬件故障行为已发展为当下研究中
不可避免的问题, 对脉冲神经网络边缘部署时的故障与容错研究进行概述. 从软件模型原理到硬件平台实现, 全面
系统地介绍神经形态计算的最新进展, 分析脉冲神经网络边缘部署时遇到的困难与挑战, 并针对这些挑战给出未

来可能的解决方向.
关键词: 神经网络; 脉冲神经网络; 神经形态计算; 边缘智能
中图法分类号: TP18

中文引用格式: 俞诗航, 易梦军, 吴洲, 申富饶, 赵健. 神经形态计算: 从脉冲神经网络到边缘部署. 软件学报, 2025, 36(4):
1758–1795. http://www.jos.org.cn/1000-9825/7298.htm
英文引用格式: Yu SH, Yi MJ, Wu Z, Shen FR, Zhao J. Neuromorphic Computing: From Spiking Neural Network to Edge
Deployment. Ruan Jian Xue Bao/Journal of Software, 2025, 36(4): 1758–1795 (in Chinese). http://www.jos.org.cn/1000-9825/7298.htm

Neuromorphic Computing: From Spiking Neural Network to Edge Deployment
1,3
1,2
1,3
1,2
YU Shi-Hang , YI Meng-Jun , WU Zhou , SHEN Fu-Rao , ZHAO Jian 4
1
(State Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210023, China)
2
(School of Computer Science, Nanjing University, Nanjing 210023, China)
3
(School of Artificial Intelligence, Nanjing University, Nanjing 210023, China)
4
(School of Electronic and Engineering, Nanjing University, Nanjing 210023, China)
Abstract: Inspired by the biological nervous system, the concept of neuromorphic computing was introduced in the 1980s. It aims to
mimic the structure and function of the biological brain to achieve more efficient and biologically plausible computation. As a
with strict resource constraints due to their spike sparsity, event-driven operation, biological interpretability, and hardware compatibility.
This study summarizes the edge deployment of SNNs. First, based on the principles of the SNN model itself, it discusses the energy-
efficient computation of SNNs and their huge potential for edge deployment. Then, the currently common hardware implementation

* 基金项目: 国家电网有限公司科技项目 (5700-202319302A-1-1-ZN)
收稿时间: 2023-11-01; 修改时间: 2024-06-17, 2024-09-18; 采用时间: 2024-10-08; jos 在线出版时间: 2025-01-15
CNKI 网络首发时间: 2025-01-15