Neuromorphic Intermediate Representation: A Unified Instruction Set for Interoperable Brain-Inspired Computing

脉冲神经网络和模拟神经动力学的神经形态硬件平台正在逐渐流行并进入主流使用。尽管神经动力学有着成熟的数学基础，但不同平台的实现细节差别很大。因此，有大量的软件和硬件实现，每个实现都有自己独特的技术堆栈。因此，神经形态系统通常会偏离预期的计算模型，这对跨平台的可重复性和可靠性构成了挑战。此外，大多数神经形态硬件受到单一软件框架的访问限制，其训练程序集也受到限制。在这里，我们建立了神经形态系统计算的通用参考框架，称为神经形态中间表示（NIR）。 NIR将一组计算基元定义为理想化的连续时间混合系统，可以将其组合成图形并映射到各种神经形态技术堆栈中。通过抽象离散化和硬件约束的假设，NIR忠实地捕捉了基本的计算，同时暴露了评估实现与理想化数学形式之间的确切差异。我们在7个神经形态模拟器和4个硬件平台上复制了三个NIR图，展示了对前所未有数量的神经形态系统的支持。通过NIR，我们将神经形态硬件和软件的发展分离，最终增加了平台之间的互操作性，并改善了对神经形态技术的可访问性。我们相信，NIR是朝着继续研究以大脑为启示的硬件和自下而上的方法，旨在改善神经系统计算基础的重要一步。

建立神经形态计算的通用参考框架

建立神经形态计算的通用参考框架Neuromorphic Intermediate Representation (NIR)，解决不同平台之间的计算差异和互操作性问题

论文提出的NIR框架可以在多个神经形态计算平台上实现，并且可以更好地理解神经形态计算的计算基础。论文还开源了部分代码。

最近的相关研究包括： 1. Towards a unified theory of neural computation，作者：Surya Ganguli等 2. Theories and models of the basal ganglia，作者：Andrea A. Chiba等 3. Neuromorphic computing systems，作者：Kwabena Boahen等