eBrainISA：一种面向边缘的计算架构，基于混合式脑启发式设计

《IEEE Computer Graphics and Applications》：eBrainISA: Edge-Oriented Instruction Set Architecture for Hybrid Brain-Inspired Computing

混合脑启发计算架构eBrainISA通过整合ANNs和SNNs，在边缘设备上实现复杂任务处理，采用低精度量化与硬件模拟器优化性能，相比全精度版内存节省5倍，能效提升3.87-53.61倍，平衡智能需求与资源约束。

　　

摘要：

混合式脑启发计算（BIC）结合了以计算机科学为导向的人工神经网络（ANNs）和以神经科学为导向的脉冲神经网络（SNNs），是BIC领域的一个重要趋势。这种方法在感知、认知和学习等领域展现出显著的优势。然而，在资源有限的边缘设备上部署混合式BIC时仍存在一些挑战，尤其是如何使这些设备有效处理复杂任务。为了解决这些挑战，我们提出了eBrainISA，这是一种面向边缘设备的混合式BIC指令集架构（ISA）。eBrainISA旨在支持复杂的人工神经网络、脉冲神经网络以及混合神经网络（HNNs），它整合了一系列针对边缘设备硬件限制进行优化的神经运算符。为了验证该架构的有效性，我们开发了一种统一的低精度量化方法，并配合使用了硬件模拟器。之前的ISA对混合式BIC的支持有限，而我们的架构可以支持所有主要类型的网络，包括ResNet和Yolo等人造神经网络、Spike_ResNet和Spike_Transformer等脉冲神经网络，以及DetectHNN和ReSpike等混合神经网络，且精度损失不到1%。此外，与全精度版本相比，我们的架构在内存使用上节省了约5倍；在执行具有不同特性的神经网络时，与边缘GPU相比，能效提高了3.87倍至53.61倍。这项工作展示了在通用模型的智能需求与边缘设备资源限制之间的良好平衡。

引言

脑启发计算（BIC）这一术语涵盖了广泛的概念，包括计算模型、芯片架构和应用系统，这些均源自生物大脑的处理模式和结构[1]、[2]。BIC的重要性在于其创新的计算模型和架构，它们具有巨大的潜力，能够缓解冯·诺依曼瓶颈并推动计算机科学的下一波进步[3]、[4]、[5]。通过利用神经网络的原则，BIC系统可以实现更复杂的实时信号处理、模式识别等功能。此外，这一范式还有潜力彻底改变各种智能应用，从机器人技术到医疗保健，使设备能够在动态环境中自主高效地运行[6]。