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

Lucien_大辉哥

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[tr]* 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[tr]* 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[tr]* 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[tr]从 SNN 算法角度：[tr]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。[tr]从平台设计角度：[tr](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。[tr](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。[tr](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。[tr]
1.3 主要技术特点[tr](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。[tr](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。[tr](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。