DFSynthesizer：基于数据流将脉冲神经网络综合到神经形态硬件
神经与进化计算
2021-08-05 v1 硬件体系结构
新兴技术
摘要
脉冲神经网络（SNN）是一种新兴的计算模型，它使用事件驱动的激活和生物启发的学习算法。基于SNN的机器学习程序通常在基于瓦片的神经形态硬件平台上执行，其中每个瓦片由一个称为交叉阵列的计算单元组成，该单元映射程序的神经元和突触。然而，将此类程序综合到现成的神经形态硬件上具有挑战性。这是因为硬件固有的资源和延迟限制会影响模型性能（如准确率）和硬件性能（如吞吐量）。我们提出DFSynthesizer，一个将基于SNN的机器学习程序综合到神经形态硬件的端到端框架。所提框架分四步工作。首先，它分析机器学习程序并使用代表性数据生成SNN工作负载。其次，它对SNN工作负载进行划分并生成适合目标神经形态硬件交叉阵列的簇。第三，它利用同步数据流图（SDFG）的丰富语义来表示聚类后的SNN程序，从而允许根据关键硬件约束（如交叉阵列数量、每个交叉阵列的维度、瓦片上的缓冲空间以及瓦片通信带宽）进行性能分析。最后，它使用一种新颖的调度算法在硬件的交叉阵列上执行簇，保证硬件性能。我们使用10个常用机器学习程序评估DFSynthesizer。我们的结果表明，与当前的映射方法相比，DFSynthesizer提供了更紧的性能保证。
引用
@article{arxiv.2108.02023,
title = {DFSynthesizer: Dataflow-based Synthesis of Spiking Neural Networks to Neuromorphic Hardware},
author = {Shihao Song and Harry Chong and Adarsha Balaji and Anup Das and James Shackleford and Nagarajan Kandasamy},
journal= {arXiv preprint arXiv:2108.02023},
year = {2021}
}
备注
Accepted for publication at ACM Transactions on Embedded Computing