【技术实现步骤摘要】
一种用于多核神经形态硬件上SNN的通用仿真器设计方法
[0001]本专利技术涉及仿真器设计领域,特别涉及一种用于多核神经形态硬件上
SNN
的通用仿真器设计方法
。
技术介绍
[0002]神经形态计算是实现通用人工智能的一种颇具前景的方式
。
神经形态计算依赖于仿生神经网络来提供对生物神经系统中结构和功能的模拟,其中脉冲神经网络
(SNN)
是使用最广泛的一种仿生神经网络
。SNN
的高能效和生物可解释性使得其成为神经形态计算的重要组成部分,当前已经有多款使用
Network
‑
on
‑
Chip(NoC)
路由网络和海量的同质化神经核心的多核神经形态硬件被开发出来,如
TrueNorth、Loihi、Tianjic
和
Darwin
等
。
[0003]当前的多核神经形态硬件主要基于
ASIC
芯片设计方案,这种方案设计周期长
、
设计成本高
。
因此,使用通用的
CPU
或
GPU
处理器实现多核神经形态硬件的快速仿真很有必要
。
但是,当前的神经形态硬件仿真器都是专用于某个神经形态硬件,不能提供通用的仿真功能
。
此外,当前的神经形态硬件仿真器缺乏关键的硬件统计数据,例如,数据包传输延迟
、
数据包丢包率等,这些对于< ...
【技术保护点】
【技术特征摘要】
1.
一种用于多核神经形态硬件上
SNN
的通用仿真器设计方法,其特征在于,可以支持不同规模
SNN
的快速仿真,包括以下步骤:步骤一:使用
SNN
训练框架训练针对具体任务的
SNN
模型,获取包含模型连接结构和连接权重的模型文件;步骤二:使用模型信息提取模块从训练得到的
SNN
模型中提取神经元之间的连接结构和连接权重;步骤三:使用神经元分块模块将
SNN
模型建模成图结构,并将神经元分配到神经元块中,每个神经元块可以由多核神经形态硬件的一个核心来执行;步骤四:使用神经元映射模块将划分后的神经元块映射到具体的物理核心上,分块映射使用静态或动态方法;步骤五:配置仿真后端并仿真,仿真后端加载仿真前端编译产生的模型信息
、
分块信息
、
映射信息,配置仿真器后执行仿真,仿真完成后导出模型精度
、
模型仿真时间以及
NoC
相关的统计信息
。2.
根据权利要求1所述的一种用于多核神经形态硬件上
SNN
的通用仿真器设计方法,其特征在于,步骤一具体包括以下内容:所述的
SNN
模型训练过程,
SNN
模型训练利用传统的
SNN
训练框架,包括传统的用于
SNN
训练的工具
Nengo、Brain2、Carlsim
,也包括使用深度学习训练框架训练后使用
ANN
‑
SNN
转换框架
SnnToolbox
和
BindsNET
,得到的
SNN
模型
。3.
根据权利要求1所述的一种用于多核神经形态硬件上
SNN
的通用仿真器设计方法,其特征在于,步骤二具体包括以下内容:所述的模型信息提取过程,从训练得到的
SNN
模型文件中提取神经元之间的连接结构以及连接权重;同时,根据后续的分块和映射流程中使用优化算法的需要,模型信息提取模块同时提取出测试样本试运行期间神经元的脉冲发放时间
。4.
根据权利要求3所述的一种用于多核神经形态硬件上
SNN
的通用仿真器设计方法,其特征在于,支持多种神经元之间的连接结构,包括全连接
、
卷积连接
、
池化连接
。5.
根据权利要求1所述的...
【专利技术属性】
技术研发人员:谢李生,薛建伟,吴良顺,陈发全,田清扬,周轶凡,应忍冬,刘佩林,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。