Page 377 - 《软件学报》2025年第4期

俞诗航 等: 神经形态计算: 从脉冲神经网络到边缘部署 1783

槛非常高. 对于神经形态芯片与其他最新非易失性存储工艺器件, 开发人员不仅需要使用专用的编程工具, 有时甚
至需要在物理材料方面具备一定的知识.
设计完备的神经形态计算工具链是 SNN 边缘部署的重要方向之一. 首先, 高效且完善的工具链能很大程度地
简化开发过程, 为领域的研究提供更便捷的条件. 目前已有的 SNN 软件编程框架以及仿真工具需要不断更新迭
代, 以提供更高的兼容性和稳定性. 此外, HLS 高层次综合工具可以将高级编程语言转化为硬件级别的描述并自
动生成电路, 能有效降低 SNN 模型在 FPGA 平台部署的门槛. 最后, 设计具备高可扩展性的硬件映射方法也是一
个很好的研究思路.
2) 神经形态硬件存在性能瓶颈. 大多数神经形态硬件都是低功耗、小面积的器件, 这类硬件平台往往在内存
等资源上非常有限, 不适合部署大规模复杂模型. 此外, 传统 CMOS 电路受到二维连接和有限的互连金属及路由
协议的限制, 在模拟真实的三维生物大脑结构时仍然面临巨大挑战, 这是目前主流神经形态芯片架构的最大瓶颈.
未来, 探索高能效的神经形态硬件设计有多种方向. 比如采用更先进的工艺, 突破传统 CMOS 工艺的束缚, 或
者开发更高效的忆阻器阵列. 也可以设计更优的硬件架构, 例如异质融合传统 ANN 与 SNN 两种计算范式以提高
整体性能.

3) 硬件平台非完全可靠. 现有研究表明, 神经网络的容错能力实际上相当有限, 即使是被认为继承了生物大脑
卓越容错能力的 SNN, 在近期的故障注入实验中也未能表现出预期的性能. 由于硬件平台的底层支持并非完全可
靠, 许多 SNN 模型在硬件上的部署无法彻底发挥神经形态硬件的潜在优势.
为了提高 SNN 边缘部署任务整体的可靠性, 既可以从硬件平台切入, 结合生物学原理设计更可靠更稳定的神
经形态硬件, 也可以从 SNN 模型入手, 设计更优秀的故障与容错机制, 提高边缘智能应用的鲁棒性.
综上所述, 本文对神经形态计算从 SNN 模型到边缘部署的情况做了详细的总结与分析, 旨在吸引不同学科的
研究者, 通过跨学科的思想交流与合作研究, 推动神经形态计算领域的发展, 让人工智能技术遍布生活的每一个
角落.

References:
[1] Bodria F, Giannotti F, Guidotti R, Naretto F, Pedreschi D, Rinzivillo S. Benchmarking and survey of explanation methods for black box
models. Data Mining and Knowledge Discovery, 2023, 37(5): 1719–1778. [doi: 10.1007/s10618-023-00933-9]
[2] Kong XW, Tang XZ, Wang ZM. A survey of explainable artificial intelligence decision. Systems Engineering-theory and Practice,
2021, 41(2): 524–536 (in Chinese with English abstract). [doi: 10.12011/SETP2020-1536]
[3] Khan S, Rahmani H, Shah SAA, Bennamoun M. A Guide to Convolutional Neural Networks for Computer Vision. Cham: Springer,
2018. [doi: 10.1007/978-3-031-01821-3]
[4] Chu Q, Ouyang WL, Li HS, Wang XG, Liu B, Yu NH. Online multi-object tracking using CNN-based single object tracker with spatial-
temporal attention mechanism. In: Proc. of the 2017 IEEE Int’l Conf. on Computer Vision. Venice: IEEE, 2017. 4846–4855. [doi: 10.
1109/ICCV.2017.518]
[5] Zhou CT, Sun CL, Liu ZY, Lau FCM. A C-LSTM neural network for text classification. arXiv:1511.08630, 2015.
[6] Liu PF, Qiu XP, Huang XJ. Recurrent neural network for text classification with multi-task learning. arXiv:1605.05101, 2016.
[7] Bojarski M, Del Testa D, Dworakowski D, Firner B, Flepp B, Goyal P, Jackel LD, Monfort M, Muller U, Zhang JK, Zhang X, Zhao J,
Zieba K. End to end learning for self-driving cars. arXiv:1604.07316, 2016.
[8] Chen CY, Seff A, Kornhauser A, Xiao JX. DeepDriving: Learning affordance for direct perception in autonomous driving. In: Proc. of
the 2015 IEEE Int’l Conf. on Computer Vision. Santiago: IEEE, 2015. 2722–2730. [doi: 10.1109/ICCV.2015.312]
[9] Huang G, Sun Y, Liu Z, Sedra D, Weinberger KQ. Deep networks with stochastic depth. In: Proc. of the 14th European Conf. on
Computer Vision (ECCV 2016). Amsterdam: Springer, 2016. 646–661. [doi: 10.1007/978-3-319-46493-0_39]
[10] Alom MZ, Rahman MMS, Nasrin MS, Taha TM, Asari VK. COVID_MTNet: COVID-19 detection with multi-task deep learning
approaches. arXiv:2004.03747, 2020.
[11] McCulloch WS, Pitts W. A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 1943,
5(4): 115–133. [doi: 10.1007/BF02478259]
[12] Minsky ML, Papert SA. Perceptrons, Reissue of the 1988 Expanded Edition with a New Foreword by Léon Bottou: An Introduction to
Computational Geometry. Cambridge: MIT Press, 2017.