近日，刘怡俊教授团队的两项最新研究成果接连在国际顶级期刊IEEE Transactions on Circuits and Systems I: Regular Papers（TCAS-I）和IEEE Transactions on Computer-Aided Design of Integrated Circuits And System (TCAD)上发表。一年级硕士研究生陈岳海和团队叶武剑老师为论文的共同作者。TCAS-I是电路与系统领域顶级期刊，TCAD更是集成电路领域公认的最具影响力的刊物之一，也是中国计算机学会推荐的A类期刊（CCF-A），主要发表集成电路和计算机辅助设计方向的最新研究成果，包括器件、电路及系统级的模型、算法、方法学和设计。

脉冲神经网络(SNN)能高效处理离散的峰值信号序列，具有较高的实时性和良好的能量效率比。当前，支持SNN网络推理和加速的神经形态硬件体系结构已成为类脑计算研究的热点之一。该两项最新研究成果聚焦第三代人工智能芯片（脉冲神经网络芯片），不仅能加速AI应用的落地，而且还促进神经形态硬件结构的发展。

成果一：论文“FPGA-NHAP: A General FPGA-based Neuromorphic Hardware Acceleration Platform with High Speed and Low Power”发表在TCAS-I上。

针对现有大多数神经形态硬件平台缺乏高效的驱动算法，且只支持单一类型的神经元模型，速度慢，可扩展性差等问题，作者提出了一种基于FPGA的通用神经形态硬件加速平台(FPGA-NHAP)，支持SNN网络的有效推理和加速，具有低功耗、高速度和良好的可扩展性。首先，设计一个神经元计算单元，利用并行尖峰缓存和调度技术对LIF和Izhikevich (IZH)神经元进行模拟。其次，提出了一种新的集成驱动更新算法来完成外部数据的尖峰编码，有效地减少了神经元状态更新的等待时间。然后，该平台采用RISC-V处理器和Xilinx FPGA实现，模拟神经元16384个，突触1680万个，功耗0.535 W。最后，在该平台上部署了两种具有全连接结构的三层SNN网络，对MNIST和时尚-MNIST数据集进行识别，准确率分别为97.70%、85.14% (LIF)和97.81%、83.16% (IZH)，帧率分别为208帧/s、128帧/s (LIF)和206帧/s、141帧/s (IZH)。

成果二：论文“The Implementation and Optimization of Neuromorphic Hardware for Supporting Spiking Neural Networks with MLP and CNN Topologies”发表在TCAD上。

针对现有的脉冲神经元硬件的计算复杂度仍较高和精度不高，相应的神经形态系统无法支持各种具有不同卷积拓扑结构的SNN网络，系统效率偏低等问题，作者设计并实现基于FPGA平台(Xilinx Kintex-7)的改进神经元计算模块EPC-LIF和高效能的神经形态硬件加速系统ELIF-NHAS。一方面，通过采扩展预测校正(EPC)方法优化传统的LIF神经元，最大频率可达439.95 MHz，减少了神经元计算复杂度和硬件资源；利用遗传算法调整神经元的膜电位阈值，进一步提高SNN分类模型的准确性；另一方面，通过并行和四级管道技术，系统能有效支持SNN的快速推理，工作的最大频率为135.6 MHz，同时，通过FC core和PE array实现对具有不同拓扑结构的SNN网络的支持，包括MLP拓扑和CNN拓扑结构(SCNN，如传统卷积，深度分离卷积和残差卷积等)。六层SCNN在MNIST、Fashion-MNIST和SVHN数据集上的准确率分别达到99.10%、90.29%和82.15%;速度和能耗分别为到1.21ms/图像和1.19mJ/图像。与现有系统相比，ELIF-NHAS具有更高的速度和更低的功耗，更适合于SNN网络的部署和推理。