这篇文档属于类型a，是一篇关于脉冲神经网络（Spiking Neural Network, SNN）硬件/软件协同设计的原创性研究论文。以下是详细的学术报告内容：

作者及机构

本研究的通讯作者为Lei Wang，第一作者为Chao Xiao，合作作者包括Yi Wei、Yuanfeng Luo、Zhijie Yang、Rui Gong和Weixia Xu。研究团队来自中国国防科技大学（National University of Defense Technology）计算机科学与技术学院，以及北京军事科学研究院（Defense Innovation Institute, AMS）。论文发表于Journal of Systems Architecture，2025年第168卷，文章编号103553。

学术背景

研究领域：本研究属于神经形态计算（neuromorphic computing）与片上网络（Network-on-Chip, NoC）的交叉领域，聚焦于优化脉冲神经网络在神经形态硬件上的通信效率。

研究动机：
- 问题背景：神经形态硬件（如IBM的TrueNorth、Intel的Loihi）通过多计算核心并行加速SNN计算，但核心间脉冲通信成为性能瓶颈。传统方法中，单个脉冲需独立封装为数据包，导致片上网络流量激增，引发高延迟与能耗。
- 关键挑战：现有SNN映射方法易陷入局部最优，且硬件层单播路由（unicast routing）效率低下。
- 研究目标：通过分析SNN的神经元级通信模式，提出软硬件协同优化框架，降低通信延迟与能耗。

研究流程与方法

1. 通信模式分析

研究首先识别SNN中两种主导通信模式：
- 空间一致性局部通信（spatially consistent local communication）：卷积层神经元仅与相邻层固定区域神经元连接（如3×3或5×5窗口），且空间位置相对一致。
- 多对同目标通信（many-to-same communication）：同一核心内多个神经元可能共享目标核心，导致重复传输相同元数据。

数据支持：以LeNet网络为例，通道优先分区（channel-first partition）后，集群间通信呈现稀疏性与局部性（图3）。

2. 软件层优化：SNN映射算法

步骤1：跨层拓扑排序（C-LTS）
- 方法：基于Hilbert空间填充曲线（HSC）将2D集群映射为1D序列，保留空间局部性。通过栈结构（LIFO）优先处理入度为0的集群，确保跨层通信集群在1D序列中相邻。
- 创新点：引入集群索引降序约束，维持原始空间一致性（算法1）。

步骤2：轻量级微调算法
- 方法：动态-静态分解成本函数，仅更新交换集群及其邻居的通信开销（算法2）。
- 优势：利用SNN连接稀疏性，降低计算复杂度。

实验验证：在6个SNN基准测试（如C10Net128、VGG11）中，C-LTS+微调较随机映射降低43.9%延迟与74.4%能耗。

3. 硬件层优化：脉冲事件合并路由（SEMR）

• 机制：将目标核心相同的多个脉冲合并为单一数据包，共享头部元数据（如目标地址）。
  
• 硬件设计：
  
  • 虚拟缓冲系统：每核心配置固定数量缓冲（如32个），按目标核心虚拟化存储，降低内存开销（图7）。
    
  • 合并粒度（mG）优化：实验表明mG=3时，能耗降低50.6%，延迟减少48.5%（图13）。
    

创新点：通过虚拟映射表替代全物理互联，缓冲需求减少28–1662倍（表3）。

主要结果

1. 映射算法性能：

   • 相比HSC-FD、DFSynthesizer等方法，C-LTS+微调平均降低49.6%能耗与47.2%延迟，算法执行时间提速10²–10³倍（图8-10）。
     
   • 初始映射（C-LTS）单独贡献13.6%延迟优化，验证跨层空间一致性的有效性（图12）。
     

2. SEMR硬件效率：

   • 在mG=3时，片上网络流量密度显著下降，硬件资源开销可控（LUT增加117%，FF增加18.4%，表4）。
     

3. 综合效益：软硬件协同框架在VGG13等大型SNN上实现16.8%–49.6%能效提升与7.4%–47.2%延迟降低。

结论与价值

科学价值：
- 提出首个基于SNN通信模式分析的软硬件协同优化框架，为神经形态计算系统设计提供新范式。
- 理论贡献：揭示SNN的局部性与多对同目标通信特性，并转化为可工程化的优化方法。

应用价值：
- 适用于自动驾驶、图像分类等实时低功耗场景，提升TrueNorth、Loihi等硬件的实际性能。
- SEMR机制可集成至现有神经形态芯片，无需重构底层架构。

研究亮点

1. 方法论创新：

   • C-LTS算法首次将跨层空间一致性引入SNN映射，突破传统层序映射的局限性。
     
   • SEMR通过虚拟缓冲与动态合并，解决多对同目标通信的冗余问题。
     

2. 实验规模：覆盖6个SNN基准（0.4M–7.7M神经元），验证方案的普适性。

3. 开源工具链：基于SpikingJelly框架训练SNN，扩展Noxim模拟器支持脉冲通信仿真，促进领域复现。

其他有价值内容

• 局限性讨论：HSC初始化仅适用于2D-Mesh拓扑，未来需扩展至其他NoC架构（如环状、3D）。
  
• 数据可用性：作者声明实验数据可应要求公开，符合可重复性标准。
  

本研究通过严谨的算法设计与硬件协同，为SNN在神经形态硬件上的高效部署提供了系统级解决方案。