[发明专利]一种类脑计算机操作系统的神经模型映射方法

说明书

本发明提出了一种类脑计算机操作系统的神经模型映射方法，包括以下步骤：获取脉冲神经网络模型的有向图G，其节点为逻辑神经元簇v；计算有向图的拓扑序列O(G)，并根据类脑计算机的硬件约束，计算逻辑神经元簇v的可映射区域R；根据拓扑序列O(G)，对于逻辑神经元簇v，在可映射区域R中选择物理神经元簇做映射。采用本发明的映射方法，可以可靠地将脉冲神经网络映射到类脑计算机中，能满足更大规模的脉冲神经网络的部署和运行，有效减少网络拥塞。

技术领域

本发明属于类脑计算机技术领域，具体地说涉及一种类脑计算机操作系统的脉冲神经网络模型映射的方法。

背景技术

神经元簇是从人脑的神经元簇概念借鉴过来的，表示神经元的集合。物理神经元是类脑芯片里面的最小计算单元，物理神经元簇是由若干物理神经元组成。逻辑神经元簇是指类脑计算模型中表示的逻辑上的神经元簇，这部分神经元簇还没有分配到物理神经元簇中。

随着类脑计算模型和新型类脑体系架构硬件的发展，类脑计算软件系统的研究也已经有了初步的成果。类脑计算软件中的模型部署系统负责将编译后的计算模型部署到类脑计算芯片。模型部署系统决定着类脑计算硬件平台的易用性和便捷性。

德国海德堡大学研发的BrainScaleS OS采用PyNN建立神经网络模型，提供两种方式将神经元映射到硬件神经元电路中。一种是开发者直接指定硬件神经元坐标，即手动绑定。另外一种是BrainScaleS OS采用贪心算法进行映射，即自动绑定。映射核心流程：（1）神经元根据入度进行降序排序。按照入度由大至小顺序映射神经元。（2）将HICANN芯片根据坐标进行排序，坐标代表了实际物理通信距离，距离晶圆中心最近的芯片会最先被使用。

英国曼彻斯特大学的SpiNNaker软件系统架构，分别为系统主机和含有48颗SpiNNaker芯片PCB板级系统提供软件运行环境。Jonathan Heathcote等人的工作将SpiNNaker系统中映射问题抽象成电路布局设计，以满足ARM处理器资源和内存资源硬件约束为前提，以降低PCB板内及板间数据通信量为目标，采用模拟退火算法实现模型映射。

IBM以TrueNorth芯片为核心，建立了完整的软硬件生态系统。针对模型映射部分，TrueNorth先后分别提出两种映射方案。一种方案是以最小化脉冲通信距离为目标，将逻辑神经元计算核映射到物理神经元计算核。采用了四种算法分别计算出四种结果，选择其中脉冲通信距离最短的方案。四种算法分别是Multilevel Partitioning-driven算法、Analytical Constraint Generation算法、Hierarchical Quadratic Placement算法和Quadric-based Force-directed Analytical算法。另外一种方案以最小化芯片间脉冲通信量、最小化芯片内脉冲通信距离和最大化输入输出为目标，采用启发式的算法将逻辑神经元计算核映射到物理神经元计算核。

英特尔提供了Loihi开发工具链，该工具链提供了基于Python的API、编译器、运行库、软件模拟器和FPGA仿真器。Loihi的编译器首先将脉冲神经网络进行拆分，拆分目标是尽可能地使用最少的神经元计算核，贪心的方式将神经元映射到神经元计算核上。然后由编译器生成最终的二进制文件，该二进制文件除了部署到Loihi芯片上，也可以用来进行仿真测试。

公开号为CN105469143A的中国发明专利，提出了一种基于神经网络动态特征的片上网络资源映射方法，该方法为首先根据一定的初始化规则放入片上网络的N个核中，然后运行SNN网络，计算出每个核的通信量，如果任意两个核间通信量的比值不满足预设值，则交换该两个核的一半神经元重新映射。该方法可以有效均衡负载，减少片上网络的拥塞，但其最终效果过于依赖于初始化规则的优劣且需要多次运行SNN网络来进行优化。