UniSpike：通过消除地址冗余加速神经形态系统上的脉冲神经网络
神经与进化计算
2026-05-25 v1 硬件体系结构
摘要
众核神经形态系统能够加速脉冲神经网络（SNN），但其基于数据包的脉冲通信在重复传输目的地址时会消耗大量的流量和能量。这种开销因脉冲数据包的有效载荷较小而被放大：在代表性工作负载中，重复的地址传输最多占总流量的 49%。本文提出了 UniSpike，一种软硬件协同设计，通过将发往同一核心的脉冲聚合为紧凑数据包来消除地址冗余。UniSpike 结合了以目的地址为中心的脉冲调度、轻量级运行时数据包组装硬件以及目的地址感知的 SNN 划分。在多种 SNN 工作负载上，UniSpike 平均减少了 1.93 的流量，与最先进的设计相比，实现了 1.77 的加速和 1.50 的能效提升。
引用
@article{arxiv.2605.23796,
title = {UniSpike: Accelerating Spiking Neural Networks on Neuromorphic Systems via Eliminating Address Redundancy},
author = {Qinghui Xing and Zhuo Chen and Xin Du and Ouwen Jin and Ming Zhang and Pan Lv and Ying Li and Shuiguang Deng and Gang Pan},
journal= {arXiv preprint arXiv:2605.23796},
year = {2026}
}
备注
Accepted to the 63rd Design Automation Conference (DAC 2026)