[发明专利]基于PYNQ集群的高能效NEST类脑仿真器

说明书

本发明公开了一种基于PYNQ集群的高能效NEST类脑仿真器，S1：基于NEST仿真器建立单节点结构框架，实现Arm端与FPGA部分的数据传输；S2：设计Arm端与FPGA之间的通用数据传输接口；S3：对传输数据进行分类，并设计不同的接口进行传输，实现数据传输优化；S4：将NEST仿真器中的权重值和双精度浮点数据类型进行数据量化转化设计；S5：采用以太网连接PYNQ集群，通过MPI将计算数据平均分配到PYNQ集群中的每个节点，建立PYNQ集群的类脑仿真器，建立PYNQ集群的类脑仿真器。本发明在提高SNN计算速度，降低功耗的同时，保持了NEST的适应性强、规模可扩展的优点，以此为类脑仿真提供一个合适的计算平台。

技术领域

本发明涉及类脑仿真器领域，具体涉及一种基于PYNQ集群的高能效NEST 类脑仿真器。

背景技术

当前，以深度学习为代表的智能计算系统仍存在系统能耗高、通用智能水平弱两个主要瓶颈，难以成为解决人工智能问题的终极手段。而人类的大脑是由约1011个神经元、1015个突触构成的复杂生物体，不但具有很高的智能水平而且功耗只有20瓦左右，其计算模式非常值得研究借鉴。目前的类脑计算主要基于工作机理更接近生物大脑的脉冲神经网络(Spiking Neural Networks, SNN)来实现。由于达到一定规模的SNN才能展现出较强的智能水平，因此，类脑计算最具挑战性的难题之一，就是对大规模SNN进行仿真时保持系统的高性能及低功耗。

针对类脑计算的高能效需求，工业界和学术界尝试采用专用类脑芯片和系统来实现脉冲神经网络。2018年曼彻斯特大学推出了SpiNNaker2神经芯片，该芯片相比第一代专门构建了用于指数和对数运算的硬件加速器，通过定点化设计，在有一定精度损失的情况下提高了芯片能效比。2020年，英特尔推出神经拟态系统Pohoiki Springs，其内部由768颗Loihi神经拟态芯片组成，该系统在低于500W功耗的情况下可使用多达1亿个神经元来执行任务。“天机芯”是清华大学类脑计算研究中心施路平团队研发的一款新型人工智能芯片，整个芯片由156个计算单元(Fcore)组成，包含约4万个神经元和1000万个突触，支持机器学习算法和现有类脑计算算法。2020年浙江大学推出了类脑芯片“达尔文2”，该芯片由576个内核组成，每个内核支持256个神经元，神经突触超过1000万，通过系统级扩展可构建千万级神经元类脑计算系统。

专用的类脑芯片与系统可以达到更加的性能和功耗指标，但也存在面向不同应用时适应性差的缺陷。而当其与应用负载不匹配时，能效表现会大打折扣。例如，在SpiNNaker上运行一个全尺寸皮质微电路模型时，由于该模型中神经元连接的突触数量超过了SpiNNaker设定的最优值，平台无法运行在最优的状态，使得计算能效还不如基于高性能集群的NEST软件模拟方式或单块GPU方式。

因此，如能以软硬件协同设计的方式对软件方式的类脑仿真器进行能效优化，则有望在提升系统计算能效的同时保持较好的实用性。当前已有若干软件方式的类脑仿真器如Brain，NEST，BindsNET已得到了大量的应用，它们具有灵活性强，精度高等优点，但存在计算复杂度高，仿真速度慢、运行功耗高等问题。

发明内容

本发明要解决的技术问题是提供一种一种基于PYNQ集群的高能效NEST类脑仿真器，以软硬件协同设计的方式将NEST仿真器移植到PYNQ集群上，并通过MPI分布式计算，FPGA并行与流水化设计，计算定点化设计，实现了系统的高能效。本发明在提高SNN计算速度，降低功耗的同时，保持了NEST的适应性强、规模可扩展的优点，以此为类脑仿真提供一个合适的计算平台。

为了解决上述技术问题，本发明提供了一种基于PYNQ集群的高能效NEST 类脑仿真器，包括以下步骤：

S1：基于NEST仿真器建立单节点结构框架，实现Arm端与FPGA部分的数据传输；

S2：设计Arm端与FPGA之间的通用数据传输接口；