近日，中国科学院自动化研究所研究员曾毅提出了基于FPGA的脉冲神经网络硬件加速器“智脉萤火虫”（FireFly），整合了具有FPGA设备特点的DSP操作优化策略，以及适应脉冲神经网络数据流模式的高效突触权重和膜电压访存系统，通过硬件加速脉冲神经网络的推理，它促进了类脑脉冲神经网络的实际发展。IEEEEEEE相关研究成果已发表 Transactions on very Large scale integration (VLSI) Systems上。IEEEEEEE相关研究成果已发表 Transactions on very Large scale integration (VLSI) Systems上。

随着对算法机制的深入研究，半导体存类脑脉冲神经网络的性能逐渐提高，但适应脉冲神经网络的硬件发展落后于算法的发展。FPGA作为一种可编程硬件，已成为新兴脉冲神经网络的理想硬件载体。然而，现有的FPGA脉冲神经网络加速器仍然缺乏操作和存储效率。

作为一种具有运算和访存优化的高吞吐率脑脉冲神经网络加速器，“智脉萤火虫”可以有效地解决上述问题。该研究利用Xilinx来提高运算效率 DSP48E2是Ultrascale设备中的专用运算模块，实现了脉冲神经网络的高效运算。本研究设计了内存系统，以提高存储效率，实现高效的突触权重和膜电压内存访问。同时，“智脉萤火虫”作为边缘FPGA装置的加速器，在资源有限的FPGA装置上仍能达到5.53TOP/s的运算峰值吞吐率，与其他使用相同级别FPGA装置的研究相比(如Cerebon)[TVLSI’22])增加了8.5倍，使其在某些深脉冲神经网络中仍能达到毫秒级的延迟。“智脉萤火虫”作为轻量级加速器（FireFly）与大型FPGA设备的现有研究相比，实现了更高的计算效率。

人工智能平台“类脑认知智能引擎‘智脉’”“智脉萤火虫”（BrainCog）在软硬件协调方向上的阶段性成果为脉冲神经网络在未来更复杂实际场景中的应用研究奠定了基础。下一步，团队将继续提高“智脉萤火虫”在硬件上的工作性能，如FPGA设备的优化、微架构设计和稀疏加速，并将其实际部署到实际场景中，如基于脉冲神经网络的智能汽车的自主视觉定位导航、基于事件摄像头的无人机的高速避障、机器人环境探索的多任务、多场景等。

• 半导体存
• FPGA
• 基于
• 提出
• 中国科学院