[发明专利]映射脉冲神经网络到类脑计算平台的方法、系统及介质

说明书

本发明公开了一种映射脉冲神经网络到类脑计算平台的方法、系统及介质，本发明方法包含SNN模拟与分析，提取经过训练的SNN网络的拓扑结构和神经元的行为，形成无向SNN图以及脉冲行为轨迹；将提取出的无向SNN图划分为多个SNN子块，并优化SNN子块之间的脉冲通信量；使用启发式搜索算法找到一个最优的映射方案将SNN子块分配给目标类脑平台上的神经元核，并使目标平台上通信的脉冲平均跳数最小化。本发明可将大型SNN划分成多个子块后映射到基于NoC的类脑处理器上使之能高效执行，能使得时找到的划分方案最优，还能使得找到映射方案所花费的代价低，降低搜索的时间消耗，确保执行速度高效执行。

技术领域

本发明涉及脉冲神经网络以及类脑计算平台的计算技术，具体涉及一种映射脉冲神经网络到类脑计算平台的方法、系统及介质。

背景技术

脉冲神经网络(Spiking Neural Network，简称SNN)是受脑科学启发的第三代人工神经网络(Artificial Neural Network，简称ANN)，目前广泛应用于模式识别、图像识别等领域。SNN中的神经元会接收刺激后累加胞膜电压，当电压超过阈值后就会激发产生脉冲信号。SNN有着很强的生物特性，同时在类脑平台上模拟时所需要的能耗也较低。目前已开发出的类脑平台大部分都是基于片上网络(Network on Chip，简称NoC)构建的，通过NoC将平台中的众多神经元核高效连接起来。

将SNN映射到多样的类脑平台是使类脑平台广泛应用中关键的一步。通用的映射解决方案是将SNN划分为多个子块后放置到神经元核中，并且需保证每个子块中的神经元数量不能超过神经元核的容量。目前已经出现了一些将SNN部署在类脑平台上的映射方法，例如PACMAN，NEUTRAMS，SCO和SpiNeMap等方法，但是这些方法均存在一些问题。PACMAN方法仅将SNN进行了划分，并没有提出子块放置方案而是将子块顺序放置在神经元核上，这使得在NoC上有可能出现脉冲通信拥塞的情况。SCO方法采用了顺序划分以及顺序映射的方法，这可以最大限度的减少神经元核的使用从而减少硬件资源的开销，但是这种方法没有优化核间脉冲的通信量，导致整个平台脉冲延迟和能耗的上升。尽管SpiNeMap方法采用了两阶段优化的映射方法，使得整个类脑平台的能耗和延迟有了较大的改善，但是对于大规模的SNN，SpiNeMap方法的整个映射过程会消耗大量的时间。同时受限于算法，SpiNeMap方法找到的映射方案并不是最好的。

解决SNN在类脑平台上的映射问题目前存在两个挑战：首先在划分阶段中，划分大规模SNN会花费大量的时间同时找到的划分方案并非最优；其次在映射阶段中，需要一个快速有效的搜索算法找到使类脑平台延迟和能耗更低的映射方案。与此同时，算法在搜索时会不断产生新映射方案并进行评估。为了得到准确的评估结果通常需要使用硬件或者硬件模拟器，但是这会带来大量的时间消耗，从而导致搜索算法的执行速度大幅降低。

为了解决这些挑战，需要将大型SNN快速映射到基于NoC的类脑平台，并使SNN在这样的类脑平台上能高效执行。因此，如何实现将大型SNN快速映射到基于NoC的类脑平台，并使SNN在这样的类脑平台上能高效执行，已成为亟待解决的关键技术问题。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种映射脉冲神经网络到类脑计算平台的方法、系统及介质，本发明能够将大型SNN快速映射到基于NoC的类脑平台，并使SNN在这样的类脑平台上能高效执行。

为了解决上述技术问题，本发明采用的技术方案为：

一种映射脉冲神经网络到类脑计算平台的方法，该方法包括：

1)SNN模拟与分析：SNN软件模拟器提取经过训练的SNN网络的拓扑结构和神经元的行为，形成无向SNN图以及脉冲行为轨迹；

2)划分：将提取出的无向SNN图使用多级图划分算法划分为多个SNN子块，并优化SNN子块之间的脉冲通信量；