神经形态LIF+SNN电路设计与MNIST能效验证.docxVIP

PAGE2

神经形态LIF+SNN电路设计与MNIST能效验证

摘要

随着人工智能向边缘计算渗透，传统冯·诺依曼架构在能效和实时性上瓶颈凸显。神经形态计算通过模拟生物神经系统，以事件驱动和存算融合实现高效信息处理。本设计针对低功耗视觉识别场景，提出一种基于亚阈值模拟神经元与数字STDP的脉冲神经网络电路方案。在28nm工艺下，芯片在0.5V超低电压条件下实现MNIST数据集97.2%的识别精度，能效达18TOPS/W，面积仅0.5mm2。全文章节按工程递进展开：首先分析需求，界定设计目标；接着介绍亚阈值电路和STDP学习机制等关键技术；通过架构与模块设计，完成神经元、突触及学习电路细化；详述实现过程与难点突破；最后以功能测试和性能测试验证指标。本设计的核心创新在于混合信号协同与亚阈值低功耗策略，为边缘AI硬件提供了一条高能效实现路径。

第一章绪论

1.1研究背景

当今人工智能应用正从云端向终端设备下沉，智能传感器、可穿戴设备和物联网节点对实时性与低功耗提出严苛要求。传统深度学习加速器依赖高精度数字计算和大规模数据搬运，其能效往往难以突破1TOPS/W，在电池供电场景下续航能力严重受限。例如，智能手机的人脸识别功能若持续运行，功耗可高达数百毫瓦，导致设备发热和电量快速耗尽。

神经形态计算借鉴生物大脑的工作原理，采用脉冲神经元作为基本计算单元，通过稀疏事件驱动降低无效运算。脉