SNEAP：一种将大规模脉冲神经网络映射到基于NoC的神经形态平台的快速高效工具链
分布式、并行与集群计算
2020-04-06 v1
摘要
脉冲神经网络（SNN）作为第三代人工神经网络，已广泛应用于视觉和音频任务。如今，许多神经形态平台支持SNN模拟，并采用片上网络架构进行多核互连。然而，互连给平台带来了巨大的面积开销。此外，互连上的运行时通信对平台的总功耗和性能有显著影响。在本文中，我们提出了一种名为SNEAP的工具链，用于将SNN映射到具有多核的神经形态平台，旨在减少互连上脉冲通信带来的能耗和延迟。SNEAP包括两个关键步骤：划分SNN以减少分区之间通信的脉冲，以及在硬件资源的约束下将SNN的分区映射到NoC以减少脉冲的平均跳数。SNEAP可以在NoC互连上减少更多通信的脉冲，并且在划分阶段比其他工具链花费更少的时间。此外，SNEAP在一段时间内进一步减少了脉冲的平均跳数，这有效地降低了基于NoC的神经形态平台上的能耗和延迟。实验结果表明，与SpiNeMap相比，SNEAP可以实现418倍的端到端执行时间减少，并平均降低23%的能耗和51%的脉冲延迟。
引用
@article{arxiv.2004.01639,
title = {SNEAP: A Fast and Efficient Toolchain for Mapping Large-Scale Spiking Neural Network onto NoC-based Neuromorphic Platform},
author = {Shiming Li and Shasha Guo and Limeng Zhang and Ziyang Kang and Shiying Wang and Wei Shi and Lei Wang and Weixia Xu},
journal= {arXiv preprint arXiv:2004.01639},
year = {2020}
}
备注
Accepted by GLSVLSI2020