← 返回 JSSC 论文列表JSSC 2019第4期Digital Circuits10nm FinFET CMOS
A 4096-Neuron 1M-Synapse 38-pJ per SOP SpikingNeural Network With On-Chip STDP L
10nm FinFET CMOS工艺的4096神经元、100万突触SNN芯片，支持片上STDP学习，能效达3.8pJ/SOP。
25.2 GSOP/s@0.9V, 3.8pJ/SOP@525mV, 2.3μW/neuron@450mV
脉冲神经网络STDP学习能效优化近似计算MNIST分类
▸创新点1：数字电路实现泄漏积分发放神经元模型 - 采用10nm FinFET CMOS工艺实现高能效数字神经元电路，支持4096个神经元并行计算，峰值能效达3.8 pJ/SOP（电路创新）
▸创新点2：片上STDP学习机制 - 集成硬件级脉冲时序依赖可塑性学习电路，支持无监督在线学习，在MNIST去噪任务中实现RMSE 0.036（系统创新）
▸创新点3：结构化细粒度权重稀疏化技术 - 通过算法-硬件协同设计实现16倍突触内存压缩，存储开销低于2%，支持50%稀疏度的多层感知机（方法创新）
▸创新点4：近阈值运算与时空稀疏性结合 - 在450mV超低电压下实现2.3μW/neuron的功耗，通过动态功耗管理使分类能耗降低17.4倍至1.0μJ/classification（电路创新）
Abstract
A reconfigurable 4096-neuron, 1M-synapse chip in
10-nm FinFET CMOS is developed to accelerate inference and
learning for many classes of spiking neural networks (SNNs).
The SNN features digital circuits for leaky integrate and fire
neuron models, on-chip spike-timing-dependent plasticity (STDP)
learning, and high-fan-out multicast spike communication. Struc-
tured fine-grained weight sparsity reduces synapse memory by
up to 16 × with less than 2% overhead for storing connections.
Approximate comput