4. 脉冲神经网络 (SNN) 基础：LIF神经元模型、突触可塑性、FPGA上的SNN加速器设计
各位同学，欢迎来到第四章。这一章我们聊聊脉冲神经网络，也就是SNN。
说实话，我第一次接触SNN是在做视觉传感器项目的时候。当时传统CNN处理事件相机数据，效率低得让人抓狂。后来发现SNN天生就是处理这类数据的料——它本身就是事件驱动的。嗯，这就像用筷子吃面条，比用叉子顺手多了。
4.1 LIF神经元模型：最经典的脉冲神经元
LIF模型，全称是Leaky Integrate-and-Fire。说白了，就是“漏电积分-点火”模型。
为什么叫这个名字？你想想看，神经元接收输入信号，就像往一个水桶里倒水。水桶底部有个小洞，水会慢慢漏掉——这就是“漏电”。当水位超过桶沿，水就泼出来——这就是“点火”，也就是产生一个脉冲。
数学上，LIF模型用这个微分方程描述：
τ_m * dV/dt = - (V - V_rest) + R_m * I(t)其中：
- V：膜电位，就是当前的水位
- V_rest：静息电位，大概-70mV左右
- τ_m：膜时间常数，控制漏电速度
- I(t)：输入电流，就是往桶里倒水的速率
当V超过阈值V_th（比如-55mV），神经元就发放一个脉冲，然后V立刻重置到V_reset。
核心要点：LIF模型在FPGA上实现时，关键是把微分方程离散化。我习惯用一阶欧拉法，步长取1ms。这样乘法器资源消耗最小。
离散化后的公式长这样：
V[t+1] = V[t] + (1/τ_m) * (V_rest - V[t] + R_m * I[t])你看，就剩加减乘除了。FPGA做这个，小菜一碟。
4.2 突触可塑性：STDP学习规则
SNN怎么学习？靠的是突触可塑性。最经典的是STDP——脉冲时间依赖可塑性。
STDP的核心思想很简单：如果突触前神经元在突触后神经元之前发放，就增强连接；反之则减弱。说白了就是“谁先开枪，谁说了算”。
数学上，权重变化Δw与脉冲时间差Δt的关系是：
Δw = A_+ * exp(-Δt/τ_+) 当Δt > 0（前先于后）
Δw = -A_- * exp(Δt/τ_-) 当Δt < 0（后先于前）我在项目中遇到过一个问题：STDP在FPGA上实现时，指数运算太耗资源了。后来我改用查找表，把指数曲线离散成128个点，精度完全够用。
我的经验：STDP的查找表深度取64~256就够了。再深就是浪费BRAM。我曾经试过1024点，结果精度提升不到1%，资源却翻了一倍。
4.3 FPGA上的SNN加速器设计
好了，理论讲完，咱们来点干货。FPGA上做SNN加速器，核心就三个模块：
- 神经元计算单元：实现LIF模型
- 突触权重存储：存连接权重
- 脉冲路由网络：把脉冲送到目标神经元
下面这张图是我设计的SNN加速器架构，你一看就明白：
这个架构里，我重点说说脉冲路由网络。它负责把脉冲从源神经元送到目标神经元。在FPGA上，我通常用两种方式实现：
| 路由方式 | 资源消耗 | 延迟 | 适用场景 |
|---|---|---|---|
| 全连接交叉开关 | O(N²) 布线资源 | 1个时钟周期 | 小规模网络（<256神经元） |
| 地址事件表示(AER) | O(N) 存储资源 | 多个时钟周期 | 大规模网络（>1000神经元） |
我个人习惯用小规模网络用交叉开关，大规模用AER。为什么？交叉开关虽然快，但布线资源消耗是平方级的。我曾经在Xilinx K7上试过1024个神经元的全连接，结果布线直接爆了。
避坑指南：我曾经在AER路由中用了FIFO做脉冲缓冲，结果没处理好溢出问题，导致脉冲丢失。后来加了背压机制，才彻底解决。记住：脉冲不能丢，丢了信息就没了。
4.4 实战：一个简单的SNN分类器
咱们来写个简单的Verilog代码，实现一个LIF神经元。这是最基础的计算单元：
module lif_neuron #(
parameter V_THRESHOLD = 16'd1000, // 阈值
parameter V_RESET = 16'd0, // 重置电位
parameter LEAK_FACTOR = 16'd10 // 漏电系数
)(
input clk,
input rst_n,
input [15:0] input_current, // 输入电流
output reg spike // 脉冲输出
);
reg [15:0] membrane_potential;
always @(posedge clk or negedge rst_n) begin
if (!rst_n) begin
membrane_potential <= V_RESET;
spike <= 1'b0;
end else begin
// 漏电积分
if (membrane_potential > LEAK_FACTOR)
membrane_potential <= membrane_potential - LEAK_FACTOR + input_current;
else
membrane_potential <= membrane_potential + input_current;
// 点火判断
if (membrane_potential >= V_THRESHOLD) begin
spike <= 1'b1;
membrane_potential <= V_RESET;
end else begin
spike <= 1'b0;
end
end
end
endmodule这段代码很简单，但有几个坑要注意：
- 数据位宽：16位够不够？我建议至少16位，8位的话精度损失太大
- 漏电处理：别忘了判断膜电位是否小于漏电系数，否则会变成负数
- 脉冲宽度：这里脉冲只持续一个时钟周期，够用了
好了，这一章的内容就到这里。SNN在FPGA上实现，说白了就是处理好“事件驱动”这个特性。跟传统CNN的流水线架构完全不同，你得换个思路去想问题。
下一章我们会聊更具体的加速技巧，包括如何用脉动阵列做SNN推理。到时候见。