本文档属于类型a（单篇原创研究论文），以下是针对该研究的学术报告：

基于交叉阵列神经形态架构的脉冲神经网络聚类与分配研究

1. 作者与发表信息

本研究由Ilknur Mustafazade、Nagarajan Kandasamy和Anup Das（均来自美国德雷塞尔大学）合作完成，发表于ACM国际计算前沿会议（CF ‘24）（2024年5月7-9日，意大利伊斯基亚）。论文标题为《Clustering and Allocation of Spiking Neural Networks on Crossbar-Based Neuromorphic Architecture》，收录于会议论文集，共8页，DOI编号为10.¹¹⁴⁵⁄_3649153.3649199。

2. 学术背景

研究领域：本研究属于神经形态计算（neuromorphic computing）与脉冲神经网络（Spiking Neural Networks, SNNs）硬件映射的交叉领域。
研究动机：传统SNN在神经形态硬件（如Intel Loihi、Dynap-SE等）上的执行效率受限于核心资源利用率低和跨核心通信开销大。现有聚类方法（如Kernighan-Lin算法）未充分考虑硬件架构特性，导致生成的SNN子网络无法高效映射到交叉阵列（crossbar）中。
目标：提出一种架构感知的聚类与分配算法，优化SNN在交叉阵列架构上的资源利用率，支持两种硬件模型——基础架构（Cross，神经元仅映射到列）和增强架构（Cross+，神经元可映射到行和列）。

3. 研究流程与方法

（1）SNN建模与仿真

• 研究对象：合成SNN及经典机器学习模型的脉冲版本（LeNet、AlexNet、DenseNet、ResNet）。
  
• 工具链：
  
  • 使用TensorFlow训练模型，通过SNN-Toolbox转换为SNN。
    
  • 利用PyCARL（基于PyNN前端和CARLSim后端）仿真SNN，提取突触权重、脉冲流量和时序数据。
    

（2）架构感知聚类算法

核心步骤：
1. 基础子图生成（Algorithm 1）：
- 遍历SNN中每个神经元，提取其所有输入边构建子图（subgraph），确保子图满足交叉阵列容量限制（如1024×1024交叉阵列最多容纳256个输入神经元）。
- 输出为可映射的最小单元（称为“基础块”）。

1. 子图合并与打包（Algorithm 2-3）：

   • 合并阶段：优先合并输入神经元重叠度高的子图，以复用交叉阵列的行资源（图8示例）。
     
   • 打包阶段：将非重叠但容量兼容的子图分配至同一交叉阵列，进一步提升利用率（图11b）。
     
   • 关键创新：通过Jaccard相似度量化子图重叠度，指导贪婪合并策略。
     

2. Cross+架构适配：

   • 将Cross的聚类结果扩展至Cross+，规则如下：
     
     • 高入度（high in-degree）的神经元优先映射到交叉阵列行，输入数据通过SRAM存储。
       
     • 跨交叉阵列通信冲突时，通过恒等矩阵（identity matrix）和SRAM冗余解决（图9-10）。
       

（3）性能评估指标

• 交叉阵列利用率：已使用神经元与总容量的比值。
  
• 输出输入比（OIR）：反映交叉阵列端口平衡性。
  
• 平均Jaccard相似度：衡量SRAM内容的复用效率。
  

4. 主要结果

（1）与基线方法对比

• 交叉阵列数量减少：相比传统KL聚类，本方法平均减少1.9倍硬件资源（表1）。例如：
  
  • ResNet：从968个交叉阵列降至327个（利用率提升2.82倍）。
    
  • AlexNet：从5276个降至5208个（利用率提升1.43倍）。
    

（2）模型结构影响

• 输入层规模：全连接层（如AlexNet输入层512神经元）因组合爆炸难以合并，需通过突触修剪（synaptic pruning）降低输入维度（图12）。
  
• OIR优化：修剪低活跃度突触后，LeNet的OIR提升显著，而ResNet因初始平衡性高，修剪可能降低性能。
  

（3）Cross+架构优势

• 资源复用：通过行列双向映射，SRAM存储的突触权重可跨交叉阵列共享，减少冗余。例如，DenseNet的交叉阵列需求从703个（Cross）降至274个（Cross+）（表2）。
  

5. 结论与价值

科学价值：
- 首次提出交叉阵列拓扑约束下的SNN聚类算法，解决了传统方法忽略硬件架构的缺陷。
- 为神经形态硬件的编译工具链提供了可扩展的映射框架，支持不同规模的SNN部署。

应用价值：
- 提升能效：通过优化资源利用率，降低动态功耗（如减少交叉阵列激活数量）。
- 兼容性：算法适配主流神经形态平台（如Loihi、Dynap-SE），可扩展至新型存内计算架构。

6. 研究亮点

1. 架构感知设计：首次将交叉阵列的行列映射约束融入SNN聚类过程。
   
2. 动态合并策略：基于Jaccard相似度的贪婪算法，显著提升硬件利用率。
   
3. 跨模型验证：在合成SNN和经典模型（如ResNet、DenseNet）上均表现优异。
   

7. 其他贡献

• 开源工具链：基于CARLSim的仿真流程为后续研究提供可复现基准。
  
• 突触修剪指导：揭示了SNN结构与硬件效率的关联性，为模型压缩提供新思路。
  

（报告全文约2000字，涵盖研究全貌及技术细节）