这篇文档属于类型a：报告了一项原创性研究。以下是根据要求生成的学术报告内容：

STEMS：脉冲神经网络时空映射工具的学术报告

一、作者及发表信息
本文由Sherif Eissa, Sander Stuijk, Floran de Putter, Andrea Nardi-Dei, Federico Corradi（IEEE会员）和Henk Corporaal合作完成，团队成员均来自荷兰埃因霍温理工大学电子系统工程系。研究发表于《IEEE Transactions on Computers》2025年9月刊（Vol. 74, No. 9），DOI编号10.1109/TC.2025.3584201。

二、研究背景与目标
科学领域：该研究属于神经形态计算（Neuromorphic Computing）与边缘人工智能（Edge AI）交叉领域，聚焦于脉冲神经网络（Spiking Neural Networks, SNNs）的硬件部署优化。

研究动因：
1. SNN的潜力与挑战：SNN因其事件驱动、稀疏计算特性，在能效上优于传统人工神经网络（ANNs），尤其适用于事件相机（如DVS）等动态视觉任务。但SNN的神经元内部状态（如膜电位）需随时间更新，导致内存访问开销大，限制了其在资源受限的边缘设备上的部署。
2. 现有工具的不足：此前SNN映射工具（如NeuPROMA、SMART）缺乏对时空联合优化（Spatial-Temporal Optimization）的支持，且未充分考虑共享内存架构下的数据复用问题。

研究目标：开发STEMS（Spatial-Temporal Mapping for SNNs）工具，通过时空映射探索与神经元状态优化，减少外部内存访问并提升能效。

三、研究流程与方法
研究分为三个核心环节：

1. STEMS框架设计

   • 架构：基于现有工具Stream扩展，新增对SNN时空维度的支持，包括：
     
     • 时间分块（Time Batching）：将多个时间步的计算合并，提升神经元状态复用率。
       
     • 层融合（Layer Fusion）：通过空间维度切分减少中间特征（Spikes）的存储需求。
       
   • 创新模块：
     
     • 神经元状态显式建模：将膜电位等状态作为独立操作数，纳入内存管理与调度。
       
     • 混合调度策略：支持单时间步逐层（ST-LBL）、时间分块逐层（TB-LBL）、单时间步层融合（ST-LF）等组合策略。
       

2. 神经元状态优化实验

   • 对象：SEW-ResNet-18模型（CIFAR10-DVS数据集）和Hybrid Red-LIF模型（Gen4事件相机数据集）。
     
   • 方法：通过消融实验逐步移除早期SNN层的神经元状态，发现：
     
     • 在SEW-ResNet-18中，移除前2层神经元状态（SEW-5模型）可减少95%状态内存，且精度无损失（73.5%→74.3%）。
       
     • 早期层的状态对时空任务贡献低，而内存开销占比高。
       

3. 混合调度验证

   • 硬件平台：基于Meta VR原型架构（16×32输出静态脉动阵列），配置128KB–1MB片上内存。
     
   • 实验设计：对比不同调度策略在两种模型上的能效表现，关键发现：
     
     • Red-LIF模型：最优混合策略（ST-LF用于前馈块 + TB-LBL用于LIF层）降低片外数据移动7.3倍，能耗减少1.9倍。
       
     • SEW-ResNet-18：时间分块+层融合（TB-LF）实现外部内存流量减少12倍，能耗降低5倍。
       

四、主要研究结果
1. 能效提升：
- STEMS工具在Red-LIF上实现1.9倍能耗降低，在SEW-ResNet-18上达5倍优化。关键数据：
- TB-LBL策略使神经元状态完全驻留片上，消除DRAM访问（图7）。
- 混合调度显著减少中间特征大小（如ST-LF策略下Red-LIF特征尺寸缩减70%）。
2. 神经元状态优化价值：
- SEW-5模型状态内存仅占原模型的5%（2.3M→46M），能耗再降1.4倍。
- 证明事件视觉SNN的早期层无需保留状态，支持构建混合模型（ANN + SNN）。
3. 算法-硬件协同设计：
- 时间分块与层融合的联合优化揭示了SNN的计算-存储权衡规律：
- 早期层（大特征、小权重）适合层融合；深层（大权重、小特征）适合时间分块。

五、研究结论与价值
1. 科学价值：
- 首次提出SNN时空联合映射方法，填补了传统工具仅支持空间优化的空白。
- 揭示了SNN神经元状态在时空任务中的分层重要性，为模型轻量化提供理论依据。
2. 应用价值：
- 为事件相机、无人机等低功耗场景提供20倍状态内存压缩方案。
- 开源工具链（GitHub: sjoks93/stems）可扩展至其他时空模型（如Transformer SNN）。

六、研究亮点
1. 方法创新：
- STEMS是首个支持时空维度联合探索的SNN映射工具，引入了时间分块与层融合的混合调度空间。
2. 关键发现：
- 早期SNN层的神经元状态可裁剪，这一结论颠覆了传统SNN的全递归设计范式。
3. 跨学科贡献：
- 将ANN的层融合技术（如ZigZag工具）适配至SNN，并新增时间维度优化。

七、其他价值
- 研究提出了未来方向：
- 稀疏性利用：进一步优化SNN的脉冲稀疏计算。
- 存内计算：结合新型存储器降低片上能耗。
- 实验数据表明，混合模型（如Red-LIF）在事件视觉任务中优于纯SNN，为算法设计提供新思路。

（注：报告共约2000字，完整覆盖研究背景、方法、结果与价值，符合学术报告要求。）