Page 354 - 《软件学报》2025年第4期

1760 软件学报 2025 年第 36 卷第 4 期

等. 此外, 基于 SNN 中脉冲序列在时间上稀疏的特性, 可以创建事件驱动的低能耗脉冲硬件 [38] . 随着 SNN 在边缘
智能中扮演的角色越来越重要, 如何将 SNN 有效地部署在各类边缘硬件设备上也成为一个值得重点关注的领域.
本文主要对神经形态计算的代表, 即 SNN 的边缘部署情况进行分析和总结. 第 1 节介绍 SNN 的基本原理, 包
括脉冲神经元, 编解码算法, 训练算法和网络架构. 第 2 节介绍将 SNN 部署到神经形态硬件时常用的工具链. 第 3
节对 SNN 在各类神经形态硬件上的部署情况进行梳理, 包括现场可编程门阵列 (field programmable gate array,
FPGA), 神经形态芯片和非易失性存储器 (non-volatile memory, NVM). 第 4 节概述 SNN 在边缘硬件设备部署时面
临的故障与容错问题. 第 5 节对全文进行总结并对未来研究方向进行展望. 图 1 展示了本文的总体框架图.

引言

脉冲神经元 编解码方法
脉冲神经网络的
基本原理
训练算法 网络架构
神经形态
计算工具链 编程框架 仿真工具
f(Σ+b)
现场可编程门阵列
神经形态 神经形态芯片 硬件映射方法
硬件平台
非易失性存储器

硬件部署的 故障与容错 脉冲神经网络的
故障与容错 概念 容错研究
总结与展望
图 1 总体框架图

1 脉冲神经网络

本节将讲述 SNN 的基本原理, 包括常见的脉冲神经元模型、脉冲编码机制、SNN 的学习训练方式以及网络
整体的拓扑结构. 同时, 还将论述 SNN 在这 4 个方面的硬件实现现状与问题, 并给出可能的解决方案.

1.1 脉冲神经元
神经元是神经系统中的基本结构和功能单元, 生物神经元能感知环境的变化, 再将信息传递给其他神经元. 传
统的人工神经元仿照生物神经元的结构和工作原理, 对所有的信息输入进行加权整合, 再通过激活函数传递给下
一神经元. 脉冲神经元与之不同, 其使用离散脉冲序列进行神经元间通信, 在机制上和生物神经元是类似的, 拥有
更优秀的生物合理性. 图 2 比较了脉冲神经元和人工神经元的结构与工作模式.

X 0 10101101
连续数值 w 0 x 0 离散脉冲 w 0
w 1 x 1 w 1 1 1 1 0 1 1
Σ f(Σ+b) Σ
w 2
w 2 x 2 激活函数 激活函数
(a) ANN (b) SNN
图 2 人工神经元与脉冲神经元

脉冲神经元是构成 SNN 的基本单元, 其主要功能是对脉冲序列蕴含的信息进行整合和传输, 本节将介绍当下
最流行的几种脉冲神经元模型.

1.1.1 Hodgkin-Huxley 模型
Hodgkin-Huxley (H-H) 模型是第 1 个描述脉冲神经元动作电位如何启动和传播的生物模型 [39] , 也是生物学上