基于SNN神经元重分布的NEST仿真器性能优化

作者：刘家航; 郁龚健; 李佩琦; 华夏; 柴志雷; 陈闻杰

来源：计算机工程, 2022, 48(03): 189-196.

DOI：10.19678/j.issn.1000-3428.0060937

• 脉冲神经网络
• 神经元重分布
• PYNQ集群
• NEST仿真器
• 稀疏交换

为满足大规模脉冲神经网络(SNN)的计算需求，类脑计算系统通常需要采用大规模并行计算平台。然而随着节点数量的增多，通信在仿真中所占比例大幅增加，导致计算效率下降。类脑模拟器开源软件NEST采用缓冲区大小相等的策略，有效缩短了通信时间，但是由于缓冲区互相无交流，使得通信数据量持续增加，因此其在能耗方面表现较差。分析NEST集群的负载特性，针对其中的通信问题进行稀疏性优化，提出基于SNN子图跨节点优化的神经元重分布算法ReLOC。通过优化SNN子图的跨节点分布减少每一轮神经元到进程的数量，从而减少跨节点脉冲，使进程间通信更加稀疏，达到缩减每一轮通信进程的目的。在此基础上，以稀疏交换的思想对NEST本身的通信机制进行改进，使有脉冲交换的进程进行数据交换，从而在连接稀疏的情况下提升通信效率。以包含28个Xilinx PYNQ节点的计算集群作为实验平台，运行皮质微电路SNN模型和平衡随机网络模型，验证ReLOC算法的有效性。实验结果表明，相比循环分布算法，重分布算法能够使通信的平均稀疏性提高20%，同时配合稀疏交换最多可使通信能耗减少98.63%。

• 单位
  华东师范大学; 江南大学