面向忆阻神经形态计算的片上网络拓扑结构与数据流控制策略研究

Neuromorphic Computing can break the Von Neumann bottleneck by enabling in-memory computing and achieve higher computing efficiency in intelligent applications, and in which implementing artificial synapses with memristors to form large scale neuromemristive systems is one of the current research hotspots. Similar with the human brain which is composed by many interconnected functionality zones, a large scale neuromemristive system should also be composed of massive memristive crossbar arrays which are interconnected by Network on Chip (NoC). However, the NoC that can fulfil the communication requirements among interconnected arrays has not yet been thoroughly studied. In this project, we perform researches on the NoC topology and dataflow control strategy targeting at neuromemristive systems. We design NoC topologies based on analysing the communication requirements among the memristive crossbar arrays, improve the NoC dependability and make structural support for 3D expansion of the neuromemristive systems. We design novel NoC data flow monitor and control strategies by making use of the memristor resistance continuously adjustable property, and quantize the performance of different NoC dataflow control strategies in neuromemristive systems. The project achievements can provide support for the large scale neuromemristive system architecture design.

神经形态计算有望突破冯诺依曼架构的存算分离瓶颈，在智能应用领域取得更高计算能效比，其中基于忆阻器构建人工突触阵列实现大规模神经形态计算是当前的研究前沿热点。与人脑由大量分工协作的功能分区互联组成相似，未来大规模忆阻神经形态计算系统将由大量忆阻器交叉阵列通过片上网络互联组成。然而，面向阵列互联通信需求的片上网络目前尚未得到深入系统研究。本项目进行面向忆阻神经形态计算的片上网络拓扑结构和数据流控制策略研究。项目对忆阻神经形态计算系统中阵列间通信需求进行分析与建模，在此基础上进行片上网络拓扑结构设计，提高片上网络可靠性，并为系统三维拓展提供结构支撑；基于忆阻器阻值连续可变特性设计新型片上网络流量监测与数据流控制方法，并量化分析不同片上网络数据流控制策略在忆阻神经形态计算系统中的性能。本项目研究成果将为大规模忆阻神经形态计算系统体系结构设计提供技术支撑。

与人脑由大量分工协作的功能分区互联组成相似，忆阻神经形态计算系统通常由大量忆阻交叉阵列通过片上网络互联组成。然而，如何优化忆阻器阵列空间布局以及如何高效实现阵列间数据通信尚未获得深入系统研究。本项目进行面向忆阻神经形态计算的片上网络拓扑结构和数据流控制策略研究。项目取得的主要研究成果包括：.(1) 提出一种面向忆阻类脑计算电路设计的忆阻器分段线性模型，并采用最小均值方差方法进行参数拟合，为忆阻器神经形态计算系统级仿真奠定了基础。.(2) 提出了一种神经网络权重向忆阻器阵列的映射方法与实现电路，在推理计算过程中实现了三种类型的数据复用，大幅降低了数据读写与核间传输所需的时间和能耗，提高了计算效率。.(3) 设计了基于忆阻阵列的矢量神经网络架构，实现了低面积、低功耗的矢量神经网络推理计算，在忆阻器多值化和二值化使用模式下均获得了较高的区间类型和标量类型噪声发射样本识别精度。.(4) 提出了一种基于忆阻器的脉冲神经网络局部互联的方法，将输入和隐含层的全连接改为若干个子输入层和子隐含层的连接，显著简化了连接电路并提高了网络性能。.(5) 调研了国内外忆阻类脑计算芯片研究现状，梳理了神经形态计算过程中数据传输特点，设计了二维网格和星型互连混合的层次化互联架构，大幅提升了网络传输速度和吞吐率。. (6) 设计了面向忆阻神经形态计算的任务分配策略，利用遗传算法实现了神经形态计算任务和计算平台资源之间的最佳匹配，有效减少了片上网络通信需求的曼哈顿距离总和和能量消耗总和。.(7) 提出了一种充分利用空闲链路带宽的网络拥塞信息传播方法，使得各个片上路由能够更加及时地获得局部范围内的详细链路负载信息，优化了数据传输过程中的路径选择，均衡了片上网络各链路负载，显著提高了网络通信饱和点。.本项目组在IEEE TED、IEEE TCAS-II、NeuroComputing、ISCAS、ICICM等国际刊物和会议上发表SCI论文7篇，EI论文6篇，申请发明专利4项，培养博士研究生3名，硕士研究生4名，较好地完成了项目的预期目标。