A Linear Implementation of an Analog Resonate-and-Fire Neuron

技术摘要：一种线性实现的模拟共振放电（Resonate-and-Fire）神经元

问题陈述
振荡动力学已成为机器学习中的一种强大原理，特别是在利用结构化线性递归进行高效长程时间处理的状态空间模型（SSM）中。虽然共振放电（RAF）神经元提供了一种能够自然体现这种振荡动力学的脉冲框架，但以往的模拟实现面临着重大挑战。早期的模拟 RAF 电路依赖于非线性耦合（通常受 Lotka–Volterra 振荡器启发），这使得它们对工艺偏差、器件失配和温度波动非常敏感。此外，这些非线性设计无法直接模拟现代 SSM 所核心的线性递归方程。相反，数字实现虽然稳健，但缺乏模拟信号的能量效率。因此，需要一种既能符合 SSM 线性原理，又能保留脉冲通信的能量效率和表达能力的模拟 RAF 神经元。

方法论
作者提出了一种采用 22 nm 全耗尽绝缘体上硅（FDSOI）技术制造的线性模拟 RAF 神经元。该设计旨在忠实地重现由方程 $\dot{x}(t) = A_{RAF}x(t) + B_{RAF}I(t)$ 描述的连续时间 SSM 动力学，其中状态向量由两个变量 $u$ 和 $v$ 组成。

电路架构采用模块化方法，包含两个主要组件：

1. 线性跨导放大器（TCA）： 为了在两个状态变量（$u$ 和 $v$）之间实现线性耦合，设计采用了体驱动（bulk-driven）级联 TCA。选择这种拓扑结构是为了在宽电压摆幅（0 V 至 0.8 V）内提供高线性度和高输出阻抗，且无需大型尾电阻。决定共振频率（$\omega$）的跨导（$g_m$）通过偏置电流（$I_{bias}$）进行调节。
2. 开关电容（SC）电路： 为了实现状态的固有衰减（时间常数 $\tau_u, \tau_v$），作者使用 SC 电路而非直流偏置的亚阈值晶体管。这种方法减少了失配，并保持了对理想指数衰减的忠实度。时间常数可以通过调节开关频率（$f_{SC}$）来进行编程。

作者承认，TCA 的有限输出阻抗会引入一个寄生泄漏路径，从而调制有效时间常数，尤其是在较高的偏置电流下。为了解决这一问题，他们采用了协同设计方法：将电路的非理想特性（包括 TCA 线性度偏差和时间常数压缩）进行表征，并集成到一个用于系统级仿真的紧凑行为模型中。

核心贡献

• 线性模拟 RAF 电路： 引入了一种 22 nm FDSOI RAF 神经元，它线性耦合状态变量，直接与 SSM 原理对齐，不同于以往的非线性模拟设计。
• 电路表征： 对 TCA 线性度和 SC 衰减机制进行了详细分析，展示了 100 Hz 至 500 kHz 的共振频率范围以及 1 ms 至 500 ms 的可调时间常数。
• 硬件感知协同设计： 一种弥合理想数学模型与物理电路非理想特性之间差距的方法，通过将测得的偏差（失配、线性误差、噪声）纳入系统级仿真。
• 能量效率： 该设计实现了超低功耗，根据所需的共振频率和偏置电流，功耗范围在 1.6 nW 至 132.6 nW 之间。

结果

• 电路性能： 该电路在共振频率和时间常数方面实现了大的动态范围。功耗随偏置电流（$I_{bias}$）线性缩放，斜率为 16.5 nW/nA。面积为 6524 $\mu m^2$。
• 系统级评估： 作者在关键词识别任务上评估了该电路，使用了 Spiking Heidelberg Digits (SHD) 数据集。他们模拟了五个层级的硬件感知程度，从理想数学模型逐步演进到包含 TCA 非线性、器件失配和噪声的完全硬件校准模型。
• 准确率： 结果表明，模拟电路的非理想特性并未显著阻碍性能。分类准确率仅下降了 1.5%（从理想模型的 93.4% 下降到完全硬件校准模型的 91.9%），证明了 RAF 神经元即使在存在模拟缺陷的情况下也具有鲁棒性。

意义
本文确立了 RAF 神经元作为神经形态硬件中鲁棒且高能效计算原语的地位。通过成功地将线性模拟电路的特性映射到系统级仿真中，这项工作证明了模拟实现可以有效地支持现代机器学习架构（如 SSM）。作者声称，这种协同设计方法使硬件能够与算法预期保持一致，验证了使用模拟 RAF 神经元进行实时信号处理任务（如关键词识别）的可行性。该工作表明，这些神经元可以作为一种受生物启发且硬件高效的桥梁，连接连续振荡与离散脉冲网络。