JSSC 2024第8期Digital Circuits28nm

ANP-I A 28-nm 15-pJSOP Asynchronous Spiking Neural Network Processor Enabling Su

提出一种28nm异步脉冲神经网络处理器，通过优化学习算法降低片上学习能耗。

28nm CMOS, 0.56V, 40MHz, 1.25mm², <0.1µJ/样本学习能耗

边缘AI脉冲神经网络片上学习低功耗异步处理器

▸创新点1：随机目标窗口选择（方法创新）- 通过动态调整学习目标的时间窗口，减少冗余计算，降低学习能耗，实验显示学习能耗降至推理能耗的15%以下。

▸创新点2：分层更新跳过（系统创新）- 采用分层权重更新策略，跳过不重要的更新步骤，显著减少计算量，在0.56V电压下实现每样本<0.1µJ的超低学习能耗。

▸创新点3：异步时间步加速（电路创新）- 设计异步时序控制电路，消除时钟同步开销，在40MHz频率下提升时间步处理效率，同时保持92%以上的任务准确率。

▸创新点4：28nm异步神经形态处理器集成（系统创新）- 在1.25mm²芯片面积内集成上述技术，实现端侧AI任务的片上学习，支持手势识别、关键词检测等多场景应用。

Abstract

Reducing learning energy consumption is critical to edge-artificial intelligence (AI) processors with on-chip learning since on-chip learning energy dominates energy consumption, especially for applications that require long-term learning. To achieve this goal, we optimize a neuromorphic learning algorithm and propose random target window (TW) selection, hierarchical update skip (HUS), and asynchronous time step acceleration (ATSA) to reduce the on-chip learning power consumption. Our approach r