神经形态芯片的特性-igbt和ipm及其应用电路

8.2神经形态芯片的特性8.2.1可缩放、高并行的神经网络互联借鉴生物脑的互联结构，神经形态芯片可以实现任意神经元间的互联。即在指定规模的仿生神经网络下，任意一个神经元都可以把信息传递给指定的另一个或多个神经元。如此强大的细粒度互联能力是其他神经网络/深度学习芯片目前还无法做到的。为了实现复杂互联，神经形态芯片通过横纵交叉矩阵（crossbar）、片上网络（NoC）、芯片外部高互联链路的多层级方案实现。最简单的方案是横纵交叉矩阵，如图表8-1所示，在矩阵上交叉处有连接点代表有突触连接，连接的强度用多值权重值表示。但其规模受限，为了扩大规模，可以采用高速、共享的物理链路互联，例如芯片内部的2D Mesh网络和芯片与芯片（外部）互联的SerDes接口/光纤接口。这些互联方案是多神经元分时共享的，而不像生物脑那样，传输链路彼此独立，因此就需要传输的数据携带有目标地址信息，打成数据包在这个共享的链路上传输。神经元级别的传输具有地址的任意性，因此每个神经元目的地址是不同的，发射的数据包采用神经元级别的小包，一般为几十个比特，因此适合采用存储-转发方式，如2D-mesh网络和高扇入扇出总线。这样的传输网络没有绝对的位置，目的地址采用相对于发射端的偏移位置，因此可以传到任意大的网络，如果路径较远可以用中继核转发。值得注意的是，普通计算机采用内存进行数据交换也可以达到同样的效果，但是需要串行传输，而这种片上网络可以支持成百上千级别的并行传输。类别ANN（人工神经网络、深度学习算法） SNN（脉冲神经网络算法）神经元激活值不带时间轴的多值（定点或浮点数）脉冲串（带有时间的二值）时序表达方法RNN等网络中的回环结构膜电位和网络回环空间表达方法通常是较规则互联的神经元阵列，处理图像通常采用滑窗卷积操作可非规则互联的神经元，一般没有滑窗过程（需要并行化展开）激活函数多使用非线性激活函数没有激活函数推理卷积、池化、多层感知器模型（MLP）等泄露积分发放模型（LIF）等训练反向传播较流行STDP，Hebb定律，反向传播归一化方法批归一化等赢者通吃（Winner takes all）激活负数表示负数神经元激活值抑制型神经元典型传感器数字相机，麦克风DVS相机理论来源数理推导脑启发共同点积分过程，MLP拓扑结构图表8-2脉冲神经网络与人工神经网络的对比