基于自适应LIF（Long-Interval Fire）的输出神经元设计，用于提高仅包含整数的数字脉冲神经网络的准确性

《IEEE Access》：Adaptive LIF-Based Output Neuron Design for Improved Accuracy in Integer-Only Digital Spiking Neural Networks

　　

摘要：

本文提出了一种全数字、固定权重的脉冲神经网络（SNN）架构，用于确定性图像分类。该系统通过系统的四阶段优化过程实现高精度分类：多特征时间解码、自适应阈值调整、神经元特定缩放以及基于集成的投票机制。输出神经元整合了泄漏膜电位和自适应阈值，而时间信息则通过ROM存储的整数系数以脉冲计数和首次脉冲时间的形式进行编码。为了提高硬件效率并实现高速推理，该架构采用了数据依赖的乘法跳过和资源共享的空间累积机制。此外，通过2D数组展开和两阶段流水线决策树解决了关键的硬件瓶颈问题，从而消除了路由拥塞和组合延迟，实现了稳定的100 MHz工作频率。所有计算均使用固定整数算术进行，无需额外训练，确保了确定性行为。RTL级评估表明，所提出的设计将MNIST完整测试集（10,000个样本）上的分类准确率从74.5%提高到了98.7%。该架构还表现出很强的泛化能力，在复杂的Fashion-MNIST数据集（10,000个样本）上无需参数调整即可达到87.4%的准确率。这些结果表明，精心设计的时间动态与高速的纯整数处理相结合，显著提升了紧凑型数字神经形态处理器的推理吞吐量和能源效率。