LASANA：面向模拟神经形态架构探索的大规模替代模型
硬件体系结构
2025-07-21 v2
摘要
采用存储式或事件驱动计算的神经形态系统是为了实现人工智能工作负载的更高能效而受到推崇。新兴的神经形态架构旨在将传统数字设计与模拟计算的计算效率以及新兴器件技术相结合。在快速探索和协同设计此类架构的过程中，缺乏快速且准确的建模和仿真工具。典型的混合信号设计工具将数字模拟器与类似SPICE的模拟求解器相集成，对于大型系统而言速度过于缓慢。相比之下，针对特定架构且能耗和性能建模有限的行为建模方法更快。本文提出LASANA方法，利用机器学习从数据中推导出模拟子模块的替代模型。LASANA使用来自电路的SPICE水平仿真来训练ML模型，以预测电路在模拟/数字接口处的能耗、性能和行为。这些模型可在现有行为模型上添加能耗和性能注释，亦可作为模拟器的替代方案。我们将LASANA应用于模拟交叉阵列和脉冲神经元电路。运行MNIST和spiking MNIST时，LASANA替代模型相对于SPICE的速度提升最高可达三个数量级，能耗、延迟和行为误差分别小于7%、8%和2%。
引用
@article{arxiv.2507.10748,
title = {LASANA: Large-Scale Surrogate Modeling for Analog Neuromorphic Architecture Exploration},
author = {Jason Ho and James A. Boyle and Linshen Liu and Andreas Gerstlauer},
journal= {arXiv preprint arXiv:2507.10748},
year = {2025}
}