刘宙思,李尊朝,张剑,罗丹

(西安交通大学微电子学院,710049,西安)

脉冲神经网络(SNN)作为第3代神经网络模型[1],来源于对生物神经网络结构的模拟,是生物体神经元之间信息传递过程的抽象表述,具备充分的生物可解释性,且具有高性能和低功耗两大优势[2],在类脑计算领域特别是机器视觉方向日益成为研究焦点[3]。与传统人工神经网络相比,脉冲神经元的引入简化了连续时间编码和非线性激活的传递方式,可以有效降低实时计算的复杂度,有利于实现数据流的并行架构[4]。同时,SNN的迭代并不依赖于误差反向传播算法[5],使其对于平台算力的要求大大降低,有利于分布式系统的算法部署,能够解决边缘计算等场景下的在线学习难题[6]。因此,SNN被普遍认为是一种轻量化、高能效的硬件友好型图像识别解决方案[7-8]。

近年来,脉冲时间依赖可塑性(STDP)算法凭借其深厚的生理学基础和高效的调节性机制逐渐成为SNN模型的主流学习算法之一[8],并成功应用于现场可编程逻辑门阵列[9]和专用集成电路[10]等硬件终端上。特别地,Kheradpisheh等通过排序编码方式和简化的STDP算法进行输入特征提取,再借助支持向量机(SVM)完成输出分类,最终在Caltech数据集[11]的Face/Moto子集上取得了99.1%的准确率[12];Lee等在现有STDP算法基础上利用泊松编码和全连接的输出结构实现了SNN的自分类,对于Face/Moto数据集分类准确率可达97.6%[13]。为了进一步提高STDP算法在SNN上的分类性能,Zheng等将反向传播算法引申到STDP算法的脉冲序列模式的监……