模仿人腦結(jié)構(gòu)和功能的神經(jīng)形態(tài)計(jì)算可用于邊緣計(jì)算，以提高能效、速度和適應(yīng)性。通過(guò)在本地處理數(shù)據(jù)并使用事件驅(qū)動(dòng)計(jì)算，神經(jīng)形態(tài)芯片可以優(yōu)化邊緣人工智能應(yīng)用中的資源使用，減少對(duì)集中式云處理的依賴。

尖峰神經(jīng)網(wǎng)絡(luò) （SNN） 是實(shí)現(xiàn)神經(jīng)形態(tài)計(jì)算系統(tǒng)的最常見(jiàn)方法。與卷積神經(jīng)網(wǎng)絡(luò) （CNN） 一樣，SNN 是一種特定類型的人工神經(jīng)網(wǎng)絡(luò) （ANN）。

數(shù)據(jù)表示和推理所需的前向計(jì)算次數(shù)是CNN和SNN之間的重要區(qū)別。在人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元的輸入和輸出信號(hào)都是實(shí)數(shù)，推理只需要一次前饋傳遞。

另一方面，SNN 會(huì)遇到推理延遲。SNN 輸入和輸出信號(hào)是給定周期內(nèi)的稀疏尖峰，推理需要在此周期內(nèi)進(jìn)行多次前饋傳遞。人工神經(jīng)網(wǎng)絡(luò)處理實(shí)值，而 SNN 處理尖峰（圖 1）。

圖 1.2層神經(jīng)網(wǎng)絡(luò)（a）、2層神經(jīng)網(wǎng)絡(luò)架構(gòu)（b）和2層神經(jīng)網(wǎng)絡(luò)架構(gòu)（c）的一般架構(gòu)比較。（圖片來(lái)源：MDPI 應(yīng)用科學(xué))

SNN 基礎(chǔ)知識(shí)

SNN 中每個(gè)神經(jīng)元的膜電位是一個(gè)關(guān)鍵要素。當(dāng)神經(jīng)元接收到來(lái)自 SSN 中其他神經(jīng)元的輸入信號(hào)（尖峰）時(shí)，它會(huì)發(fā)生變化。興奮性輸入導(dǎo)致膜電位變得更加正。當(dāng)接收到抑制性輸入時(shí)，電位變得更加負(fù)。

當(dāng)膜電位達(dá)到臨界閾值時(shí)，神經(jīng)元將產(chǎn)生輸出尖峰（“火”）。這種機(jī)制使 SNN 能夠根據(jù)尖峰的時(shí)間和頻率處理信息。閾值是在 SNN 訓(xùn)練期間確定的。

單個(gè)尖峰代表離散事件或信息片段，并且該信息根據(jù)尖峰的時(shí)間和頻率通過(guò) SNN 傳輸。

尖峰通過(guò)突觸連接在神經(jīng)元之間傳播。突觸連接具有相關(guān)的權(quán)重，這些權(quán)重決定了尖峰對(duì)接收神經(jīng)元的影響程度。重量是在訓(xùn)練期間確定的。

SNNs 的優(yōu)勢(shì)

SNN 可以增強(qiáng)物聯(lián)網(wǎng) （IoT） 設(shè)備、智能傳感器、機(jī)器人和自動(dòng)駕駛汽車等邊緣應(yīng)用的性能。由于它們使用基于尖峰的通信進(jìn)行作，因此 SNN 僅在需要時(shí)激活，從而最大限度地降低功耗。

像 SNN 這樣的神經(jīng)形態(tài)芯片可以實(shí)現(xiàn)并行處理，加快響應(yīng)時(shí)間和決策速度。它們非常適合處理非結(jié)構(gòu)化和流數(shù)據(jù)，一些神經(jīng)形態(tài)芯片架構(gòu)同時(shí)集成了 SNN 和內(nèi)存，支持內(nèi)存計(jì)算并減少數(shù)據(jù)傳輸延遲并進(jìn)一步降低功耗。

模擬與數(shù)字SNN

SNN 可以使用模擬或數(shù)字技術(shù)實(shí)現(xiàn)。兩者都使用尖峰進(jìn)行神經(jīng)元之間的通信，并且是事件驅(qū)動(dòng)的。模擬 SNN 使用連續(xù)信號(hào)，而數(shù)字 SNN 使用數(shù)字信號(hào)和處理。

模擬 SNN 在能效（它們的能耗比數(shù)字 SNN 低 20 倍）、小尺寸和模擬信號(hào)實(shí)時(shí)處理方面具有優(yōu)勢(shì)。模擬SNN可以直接處理來(lái)自傳感器的模擬信號(hào)，而無(wú)需模數(shù)轉(zhuǎn)換。這可以帶來(lái)更快的響應(yīng)時(shí)間和更簡(jiǎn)單的系統(tǒng)。

數(shù)字 SNN 使用 CPU 或 FPGA 來(lái)模擬尖峰神經(jīng)元活動(dòng)。它們比模擬方法更具可擴(kuò)展性，并且可以更輕松地支持更大的 SNN。數(shù)字 SNN 比它們的模擬表親更準(zhǔn)確、更可靠。

集成 SNN

包含SNN的商用IC已經(jīng)開(kāi)始出現(xiàn)。這些初始產(chǎn)品往往是高度集成的通用設(shè)備。在一種情況下，該 IC 集成了模擬和數(shù)字 SNN，并結(jié)合了用于傳統(tǒng) CNN 和快速傅里葉變換 （FFT） 的 RISC-V CPU 和加速器（圖 2）。集成內(nèi)存，可支持內(nèi)存內(nèi)和近內(nèi)存處理。

圖 2.該神經(jīng)形態(tài)信號(hào)處理器包括模擬和數(shù)字 SNN（右上）以及 RISC-V CPU 以及 CNN 和 FFT 加速器。（圖片來(lái)源：Innatera)

總結(jié)

SNN 等神經(jīng)形態(tài)設(shè)備可用于最大限度地降低功耗并支持從傳感器融合到自動(dòng)駕駛汽車和機(jī)器人技術(shù)等邊緣 AI 應(yīng)用中的實(shí)時(shí)處理。SNN 是人工神經(jīng)網(wǎng)絡(luò)的一種特殊形式，可以使用模擬或數(shù)字技術(shù)實(shí)現(xiàn)。集成了針對(duì)邊緣傳感應(yīng)用優(yōu)化的SNN的商用IC已經(jīng)開(kāi)始出現(xiàn)。