PHENICS：一种可扩展的神经形态FPGA架构，用于模拟包含数百万神经元的皮层系统，可实现4.6倍的实时加速效果

《IEEE Transactions on Circuits and Systems I: Regular Papers》：PHENICS: A Scalable Neuromorphic FPGA Architecture for Million-Neuron Cortical Simulation With 4.6× Real-Time Acceleration

皮层神经网络FPGA加速架构PHENICS通过金字塔多层级片上网络、BATA路由策略及HBM存储优化，实现百万神经元模型的4.6倍实时加速和5倍速度提升，有效解决传统加速器的通信带宽和存储效率瓶颈。

　　

摘要：

传统的基于CPU/GPU架构的大脑模拟在速度和可扩展性方面存在严重限制，尤其是在模拟大规模生物神经网络时。大脑皮层模型具有独特的特征：循环性、随机性和稀疏的连接性，以及极高的突触密度，这些都与深度神经网络（DNNs）的结构化和密集型架构有根本性的不同。因此，传统加速器存在效率低下的问题：通信开销与神经元数量成线性增长，而在复杂的连接结构下，内存架构的利用率也很低，严重限制了可扩展性。为了解决这些问题，我们提出了PHENICS（Pyramidal Hierarchical Event-driven Neuromorphic Infrastructure for Cortical Simulation），这是一种专为大规模脉冲神经网络模拟设计的可扩展FPGA架构。在通信层面，PHENICS采用了金字塔形的多层片上网络，并结合了“忙碌感知阈值适应”（BATA）路由策略和轻量级路由器设计，以减轻网络拥堵并提高脉冲传输效率。在存储层面，我们采用了适应稀疏、不规则突触连接性的多级寻址方案，并利用高带宽内存（HBM）实现高效的大规模突触访问。PHENICS在Xilinx Alveo U50系统上实现，成功模拟了一个包含一百万个神经元、四十亿个突触的“Leaky Integrate-and-Fire”（LIF）皮层模型，实现了高达4.6倍的实时加速效果。该架构仅使用了GPU平台上25%的内存带宽，但相较于基于GPU的模拟器，其运行速度提升了5倍。此外，通过压缩编码和基于HBM的稀疏寻址技术，PHENICS将突触存储开销降低了3倍。随着神经元数量的增加，其通信时间增长也呈现亚线性趋势。这些进步为真正的...（此处内容不完整）

显示更多