复旦大学周鹏/王水源/马顺利团队：用于字符识别的集成稀疏2D突触和CMOS神经元的混合神经形态硬件

神经形态计算能够有效处理数据密集型任务，相比于传统的冯·诺依曼架构，神经形态计算通过构建物理突触和神经元来模拟人脑拓扑结构，实现了原位存算，极大减少了数据传输的要求并提高系统速度和能效。然而，基于当前主流的CMOS技术和新型存储技术，神经形态芯片通常需要大量的人工神经元和突触（数量高达数百万个），造成了系统庞大的面积和能耗开销。因此，开发出一种能够以更少突触和神经元开销实现功能的硬件系统对提高神经形态系统集成密度、增强计算能力具有重要意义。

去年，复旦大学周鹏/王水源团队便在Nature Materials发表综述论文（https://doi.org/10.1038/s41563-022-01383-2），提出二维“与硅“（“With Silicon”）混合集成发展方向，近期与马顺利团队合作，开发出基于二维MoS2突触和CMOS神经元混合集成的神经形态硬件系统，通过特征提取和频率编码方案，降低了硬件系统所需的突触与神经元数量，基于板级全硬件实现高准确和低功耗的字母和数字识别功能。相关成果以“Hybrid neuromorphic hardware with sparing 2D synapse and CMOS neuron for character recognition”为题发表于著名期刊《科学通报》（Science Bulletin）。

研究团队展示了一种与2D MoS2突触阵列和CMOS神经元混合集成的神经形态硬件系统。整个系统包括两个MoS2突触阵列（共十二个单元）、三个CMOS神经元、两个FPGA开发板（ADC/DAC）、主机计算机和显示屏幕。由FPGA控制的DAC板将来自主机的用户定义字符转换为电压脉冲，作为MoS2突触阵列的输入信号。每个突触单元的电导连续可调，并与电阻器串联，用作空间权重，以确保高效且高度准确的计算。CMOS神经元电路集成了突触电流，并产生频率编码的电压脉冲。脉冲序列的频率由FPGA控制的ADC板读取，用于显示识别出的目标字母和数字字符。提出的混合神经形态硬件系统实现了98.8%的平均准确率和11.4 μW的单次识别能耗。由于混合集成、频率编码和特征提取，所提出的硬件系统显示出以节省突触和神经元消耗的方式进行高效字符识别的潜力。这项工作有望为高度紧凑和高算力的神经形态硬件系统的发展带来新的启示。

复旦大学微电子学院周鹏教授、马顺利教授、王水源博士后为共同通讯作者，薛思惟、王水源、吴天祥和邸紫烨为共同第一作者，本工作得到科技部重点研发计划、国家自然科学基金、上海市科委、教委、教育部创新平台、中国博士后科学基金等项目的大力支持。

转自：“研之成理”微信公众号

如有侵权，请联系本站删除！