用于混合信号脉冲神经网络设计空间探索的硬件感知开源框架
信号处理
2026-07-07 v1 神经与进化计算
摘要
边缘端的节能神经形态计算需要能够捕获混合信号脉冲神经网络（SNN）硬件的非理想行为，同时支持系统级设计探索的仿真工具。本工作提出了一个用于混合信号SNN的开源硬件感知仿真框架，该框架支持跨神经元、突触和架构选择的比较分析。该框架支持多种神经元模型，包括漏积分发放（LIF）、Hodgkin-Huxley（HH）和Axon-Hillock（AH），以及基于浮栅晶体管和ReRAM器件的非易失性模拟突触。通过将器件级非线性直接纳入基于PyTorch的训练和推理中，该工具能够优化物理突触参数，而非理想化的抽象权重。该框架在标准神经形态基准上进行了评估，包括N-MNIST、DVS Gesture和Spiking Heidelberg Digits（SHD）。对于每个模型数据集配置，它报告分类准确率以及硬件导向的指标，如硅面积、功耗和量化敏感性。这些能力支持跨层设计空间探索，并有助于识别最能满足应用特定精度、能效、面积和硬件保真度约束的神经元-突触配置。
引用
@article{arxiv.2607.06456,
title = {A Hardware-Aware Open-Source Framework for Design Space Exploration of Mixed-Signal Spiking Neural Networks},
author = {Sayma Nowshin Chowdhury and Vineeta Nair and Taseen Forhad and Aishwarya Natarajan and Corey Hart and Sahil Shah},
journal= {arXiv preprint arXiv:2607.06456},
year = {2026}
}