🤖 AI

Heterogeneous SoC Integrating an Open-Source Recurrent SNN Accelerator for Neuromorphic Edge Computing on FPGA

本文提出了一种基于异构 FPGA 的系统级芯片，该芯片集成了开源的 ReckOn 循环脉冲神经网络加速器以及 RISC-V 和 ARM 处理器，以实现高效、低功耗的神经形态边缘计算，并通过与流片硅片的精度等效性以及在手写盲文数字数据集上的在线学习性能进行了验证。

原作者： Michelangelo Barocci, Vittorio Fra, Enrico Macii, Gianvito Urgese

发布于 2026-05-13

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Michelangelo Barocci, Vittorio Fra, Enrico Macii, Gianvito Urgese

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一个由硅芯片构成的非常特殊且微小的“大脑”。这不是一个用语言进行思考的普通大脑；它是一个脉冲神经网络（SNN）。把它想象成一个挤满萤火虫的房间。它们不通过交谈沟通，而是通过彼此闪烁灯光（脉冲）来交流。当足够多的萤火虫按照某种模式闪烁时，这个房间就会“决定”某件事，比如识别一个形状或一种声音。

本文旨在为这些萤火虫建造一个廉价、灵活且易于构建的“家”，这样研究人员就不必花费数百万美元将它们打印在永久的硅芯片上。

以下是他们工作的分解，使用了简单的类比：

1. 问题所在：“定制汽车”与“乐高积木套装”

通常，如果你想构建一个超高效的脑芯片，你必须订购定制的“硅片流片（tape-out）”。这就像从工厂订购一辆定制的汽车底盘。它价格昂贵、耗时漫长，而且一旦制造完成，你就无法更改任何内容。如果你犯了错误，就必须报废整个产品。

作者们说：“让我们改用FPGA吧。”

类比：FPGA 就像一个巨大的乐高积木套装。你可以在几分钟内搭建一个脑电路，进行测试，将其拆解，然后以不同的方式重新构建。它价格低廉，非常适合在投入昂贵的“定制汽车”工厂之前测试各种想法。

2. 明星选手："ReckOn"

团队使用了一种名为ReckOn的特定大脑设计。

它的功能：这是一个“循环”大脑，意味着它具有记忆功能。它不仅仅查看一张图片，还能记住它刚才看到的内容。这对于随时间发生的事件非常有用，比如阅读盲文或聆听句子。
超能力：它可以在工作的同时学习（在线学习）。这就像一名学生在参加考试的同时复习备考，每回答一个问题就变得更聪明。

3. 两位管理者：谁在主持大局？

脑芯片（ReckOn）擅长思考，但它需要一位管理者来告诉它该做什么、加载数据并检查答案。本文测试了两位不同的管理者，以观察哪一位在他们的乐高积木套装（FPGA）上表现最佳。

管理者 A：RISC-V 微控制器（X-HEEP）

类比：这就像一位住在建筑工地旁边的专职工头。
工作原理：它是一个小型的开源计算机芯片，直接构建在同一块乐高电路板上。它通过简单的“握手”（SPI 接口）与大脑直接对话。
优点：它非常高效且低功耗。
缺点：它的内存很小。它一次只能容纳几张“抽认卡”（数据集）。如果你想教它一本巨著，它的空间就会不够用。

管理者 B：ARM 处理器（Zynq SoC）

类比：这就像一位坐在拥有巨大图书馆的大办公室里的项目经理，通过一条高速公路（AXI 总线）与建筑工地相连。
工作原理：这是许多开发板上常见的高性能处理器。它运行完整的操作系统（Linux）。它可以在其“办公室”中存储海量数据集，并根据需要向脑芯片发送数据批次。
优点：由于拥有巨大的内存缓冲区，它可以处理海量数据集（如盲文数据集）。
缺点：由于“办公室”直接构建在电路板上，它会占用更多的乐高电路板资源。

4. 试驾：它奏效了吗？

团队在真实的 FPGA 电路板（PYNQ-Z2）上构建了这两个版本，并对它们进行了两项测试。

测试 1：“二进制导航”（控制测试）

任务：他们要求系统学习一个简单的迷宫任务（根据视觉线索左转或右转），该任务此前已在真实且昂贵的硅芯片上测试过。
结果：乐高版本（无论是工头还是项目经理）获得了与昂贵硅芯片完全相同的分数（准确率约为 96%）。
结论：廉价、灵活的乐高版本与昂贵的定制版本一样聪明。

测试 2：“盲文阅读器”（新挑战）

任务：他们教导系统通过滑动传感器读取盲文数字（页面上的点）。这是一项更困难的任务，因为它涉及随时间感知模式。
设置：他们使用了**项目经理（ARM）**版本，因为盲文数据对于工头的小内存来说太大了。
结果：
- 当学习 3 个字母（A、E、U）时，正确率为90%。
- 当学习 4 个字母（A、E、U、空格）时，正确率为78.8%。
- 当学习另一组 4 个字母（A、E、O、U）时，正确率为60%。
结论：该系统成功地在运行时学会了阅读盲文，证明它能够处理现实世界中复杂的數據。

总结

本文表明，你不必花费巨资就能构建先进的、具备学习能力的脑芯片。通过使用FPGA（乐高积木套装），并将脑加速器（ReckOn）与小型微控制器或强大处理器配对，你可以创建一个具有以下特点的系统：

与昂贵的定制芯片一样准确。
能够即时学习新事物（如阅读盲文）。
足够灵活，易于更改和改进。

他们成功证明了这种“开源”方法是可行的，使类脑计算（模仿大脑的计算）对每个人来说都更加触手可及。