[发明专利]用于大规模类脑计算网络的种群聚类及种群路由方法

说明书

本发明公开了用于大规模类脑计算网络的种群聚类及种群路由方法，涉及路由技术领域，所述类脑计算网络部署在多个CPU或GPU或可进行类脑计算的FPGA和ASIC芯片上，且由神经元及其之间的拓扑连接关系组成，将所述神经元划分为不同种群；所述种群内对应的所述神经元联系紧密；所述种群间对应的所述神经元联系稀疏；同一种群内的所述神经元放置于同一芯片上，且共用相同的路由条目和路由路径；不同种群内的所述神经元放置于同一芯片或不同芯片。本方法通过将神经元合理聚类为种群，有效地减少了跨片的通信频率和路由的存储开销，并提高了系统的效率。

技术领域

本发明涉及类路由技术领域，尤其是用于大规模类脑计算网络的种群聚类及种群路由方法。

背景技术

类脑计算旨在创造并发展接近人类大脑的智能形式。通过参照大脑的结构、学习大脑的智能、模仿人脑的行为，机器可以在进行类脑计算时拥有一定的推理、记忆和分析能力，最终实现人脑能够完成的部分或全部功能。在发展类脑计算的过程中，亦能帮助我们更好地理解究竟是什么赋予了人类智能，甚至带来强人工智能或通用人工智能上的重大突破。

神经拟态计算是计算机科学、神经科学、生物学、心理学等诸多学科的交叉领域。其通过模仿神经元的生理学行为，复刻神经系统的网络结构，来构建完整的神经计算网络。神经拟态计算在器件层次模拟神经元，在结构层次模仿大脑，最终实现在智能层次逼近大脑。通过对神经拟态计算网络和大脑行为的同化，能够逐步构建并完善为数字化信息化的人脑，这有助于研究者更好地理解并分析大脑结构和功能。

脉冲神经网络是类脑计算的另一应用领域。它是被设计用于特定应用场景的弱人工智能，目的是实现一定的推断功能，被誉为第三代人工神经网络。脉冲神经网络也通过模仿神经元的行为搭建网络结构，神经元之间通过突触连接，通过脉冲在网络中传递信息。突触可塑性使得脉冲神经网络具有学习和记忆能力，以实现一定的网络功能。相较于传统人工智能网络，脉冲神经网络的信息编码方式更加稀疏化，体系结构也将时空信息紧密耦合在一起。这样的基础结构有望解决传统人工智能功耗极高的问题，为人工智能带来新的变革。

大规模类脑计算网络需要实现百万、千万甚至数以亿计的神经元，因此依赖于海量计算设备。计算网络往往部署在多个CPU、GPU、FPGA或ASIC上，以此来满足巨大的存储空间要求和突破带宽速率的瓶颈，实现对类脑计算网络的快速甚至实时模拟仿真。在类脑计算网络的跨芯片运行时，片间的通信带宽显著地低于片上带宽，因此跨片通信的带宽是系统的带宽瓶颈之一。在不干扰系统正常运行的情况下减少跨片通信的频率，能够显著提高系统性能。同时多芯片间往往需要进行脉冲信息的传递，因此跨芯片通信依赖于路由方法。随着神经元规模的增长，路由条目呈几何倍数增加，带来了巨大的存储负担。同时庞大路由条目的读取，也进一步加重了内存通道的负载，使得读取速率受限。因此，一种适应于大规模类脑计算网络的、可以减少跨芯片通信频率和路由存储开销的路由方法，对类脑计算的实施尤为重要。

发明内容

本发明针对现有技术的不足，提出用于大规模类脑计算网络的种群聚类及种群路由方法，通过对连接矩阵的矩阵重排将神经元划分为不同的种群。种群内部连接紧密，种群间连接稀疏。通过将同一种群内的神经元放置在同一芯片上，显著地减少了跨片通信的频率，提高系统的性能。本方法通过将神经元合理聚类为种群，有效地减少了跨片的通信频率和路由的存储开销，并提高了系统的效率。

为了实现上述发明目的，本发明提供以下技术方案：

用于大规模类脑计算网络的种群聚类及种群路由方法，所述类脑计算网络部署在多个CPU或GPU或可进行类脑计算的FPGA和ASIC芯片上，且由神经元及其之间的拓扑连接关系组成，将所述神经元划分为不同种群；所述种群内对应的所述神经元联系紧密；所述种群间对应的所述神经元联系稀疏；同一种群内的所述神经元放置于同一芯片上，且共用相同的路由条目和路由路径；不同种群内的所述神经元放置于同一芯片或不同芯片。

优选的，所述神经元之间通过脉冲信号传递信息，所述神经元之间构成的神经元网络的拓扑由连接矩阵表征。