基于FPGA的类脑计算平台 —PYNQ 集群的无监督图像识别类脑计算系统
基于FPGA的类脑计算平台 —PYNQ 集群的无监督图像识别类脑计算系统1.1 设计目的* 通过基于 SNN 的类脑计算方式更好地解决无监督的图像识别问题* 通过软硬件协同的方式更好地探索大规模、低功耗类脑系统的设计空间* 通过开源开放推动更多人开展基于 FPGA 的类脑体系结构研究与学习，目前已开放至 Github。1.2 应用领域从 SNN 算法角度：该目标图像识别基于脉冲前馈卷积网络，运用 STDP 无监督学习算法，可运用于图像的 无监督分类。从平台设计角度：(1)本设计搭建的基于 PYNQ 集群的通用低功耗的大规模类脑计算平台，搭载 PYNN，NEST 等通用 SNN 模拟器，可为 SNN 算法开发者和神经学家提供理想满意的类脑仿真实验平台。(2)本设计提供的基于 NEST 仿真器的 FPGA 集群的硬件加速服务可以为实验环境不理 想，应用计算复杂周期长的用户带来显著的速度提升。(3)本设计也为对应用进行计算密集点的分析、SNN 工作负载分析以及对主要计算密集 点进行 FPGA 加速等课题相关议题提供理论基础。
1.3 主要技术特点(1)本应用基于脉冲前馈卷积网络，运用 STDP 无监督学习算法，相较于 CNN 等传统神经网络，更具有生物真实性，事件触发型的权重更新模式使计算需求降低，能耗减少。(2)利用 SNN 仿真器能够大规模分布式计算的特性，搭建出基于 PYNQ 集群的通用低功耗的大规模类脑计算平台，并通过皮质层视觉仿真模型、HPC Benchmark 等进行了结果验证和性能测试。(3)本设计设计的基于 NEST 仿真器的 FPGA 集群的硬件加速器，通过并行流水线结构实现 8 个神经元同时计算并采用分时复用 8 个神经元实现任意规模的脉冲神经网络的加速，并 使用 FPGA 实现 STDP 学习算法使得集群支持片上学习系统。提供的加速服务在保证应用仿真 结果精确的同时，支持多节点多线程的仿真模式，大大了缩短仿真的时间，提高了整个系 统的能效比。
页:
[1]