SpikeExplorer: hardware-oriented Design Space Exploration for Spiking Neural Networks on FPGA

当今的主要问题之一是将人工智能的能力引入嵌入式系统，用于边缘应用。现有模型所需的硬件资源和功耗与边缘系统（如物联网节点和可穿戴设备）中观察到的受限环境不兼容。脉冲神经网络（SNN）可以在这方面提供解决方案：受到神经科学的启发，它们在专用硬件加速器上运行时具有无与伦比的功率和资源效率。然而，在设计这样的加速器时，可以采取的选择量非常大。本文介绍了SpikExplorer，这是一个模块化和灵活的Python工具，用于面向硬件的自动设计空间探索，以自动配置用于SNN的FPGA加速器。使用贝叶斯优化，SpikerExplorer实现了面向硬件的多目标优化，支持在探索过程中考虑准确性、面积、延迟、功耗和各种组合等因素。该工具搜索最佳的网络架构、神经元模型和内部以及训练参数，试图达到用户所施加的期望约束。它允许直接进行网络配置，为用户提供完整的探索点集，以便选择最符合需求的平衡点。使用三个基准数据集展示了SpikExplorer的潜力。它在MNIST数据集上达到了95.8%的准确率，每张图像的功耗为180mW，延迟为0.12ms，成为自动优化SNN的强大工具。

本论文旨在解决将人工智能应用于嵌入式系统的问题，提出了一种基于硬件的自动设计空间探索工具，用于优化Spiking Neural Networks的FPGA加速器配置，以达到高精度、低功耗和低延迟等目标。

论文提出了一个名为SpikExplorer的Python工具，利用贝叶斯优化实现硬件中心的多目标优化，支持网络架构、神经元模型、内部和训练参数等多种因素的探索，自动搜索最佳配置方案。

SpikExplorer工具在三个基准数据集上进行了测试，达到了95.8%的准确率，每张图像的功耗为180mW，延迟为0.12ms。实验结果表明，该工具可用于自动优化SNN，具有较高的效率和精度。该工具提供了一种简单的网络配置方法，并提供了完整的探索点集，供用户选择最适合自己需求的权衡。

近期的相关研究包括：《A Survey on Spiking Neural Networks》、《Spiking Neural Networks: Principles and Challenges》、《Spiking Neural Networks: A Comprehensive Survey on Theory and Applications》等。