事件驱动神经形态系统

图书标准信息

• 作者 刘世奇
• 出版社 北京航空航天大学出版社
• 出版时间 2022-01
• 版次 1
• ISBN 9787512432307
• 定价 169.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 416页
• 字数 585.000千字

【内容简介】

　《事件驱动神经形态系统》系统地描述了神经形态工程领域的新技术，包括构建完整的神经形态芯片和解决制造多芯片可扩展系统面临的技术问题。

  《事件驱动神经形态系统》主要内容分为两部分。分（第2-6章）描述了所构建的AER通信体系结构、AER传感器和电子神经模型，其中，第2-5章用树状图描述了将架构和电路关联起来的历史，并引导读者阅读大量文献；第6章描述了关于事件驱动系统学习的大部分理论知识。第二部分（第7-16章）面向神经形态电子系统构建方向的读者，提供了用于构建传感器和计算单元建模神经系统构建基块的各种方法信息，包括硅神经元、硅突触、硅耳蜗电路、浮栅电路和可编程控制器数字偏置发生器的详细信息，还包括硬件和软件通信基础结构，以及事件驱动传感器输出算法处理的相关内容。

  《事件驱动神经形态系统》以第17章结尾，梳理了当前计算机与神经系统在实现计算处理方式上的差异，讨论了认知神经形态系统发展的长期途径。

【目录】

第1章简介1

1.1起源与历史背景2

1.2建立有用的神经形态系统4

参考文献5

部分理解神经形态系统第2章通信9

2.1简介9

2.2地址事件表示11

2.2.1AER编码器12

2.2.2仲裁机制13

2.2.3编码机制16

2.2.4多个AER端点17

2.2.5地址映射17

2.2.6路由18

2.3AER链接设计注意事项18

2.3.1权衡:动态分配还是静态分配19

2.3.2权衡:仲裁访问还是冲突20

2.3.3权衡:排队与下降峰值22

2.3.4预测吞吐量的需求23

2.3.5设计权衡24

2.4AER链路的演变25

2.4.1单发单收25

2.4.2多发多收27

2.4.3并行信号协调28

2.4.4字串行寻址29

2.4.5串行差分信号29

2.5讨论30

参考文献31

第3章硅视网膜34

3.1简介34

3.2生物视网膜35

3.3具有串行模拟输出的硅视网膜36

3.4事件驱动的异步像素输出与同步帧36

3.5AER视网膜37

3.5.1动态视觉传感器39

3.5.2基于时间的异步图像传感器42

3.5.3异步ParvoMagno视网膜模型42

3.5.4事件驱动的强度编码成像仪44

3.5.5空间对比度与方向视觉传感器46

3.6硅视网膜像素49

3.6.1DVS像素49

3.6.2ATIS像素52

3.6.3VISe 像素53

3.6.4Octopus 像素53

3.7硅视网膜新规范55

3.7.1DVS响应均匀性55

3.7.2DVS背景活动56

3.7.3DVS动态范围57

3.7.4DVS延迟和抖动57

3.8讨论58

目录事件驱动神经形态系统参考文献61

第4章硅耳蜗66

4.1简介66

4.2耳蜗结构70

4.2.1级联一维70

4.2.2基本的一维硅耳蜗71

4.2.3二维架构72

4.2.4电阻(导电)网络73

4.2.5BM谐振器73

4.2.6二维硅耳蜗模型73

4.2.7添加OHC的主动非线性特性75

4.3尖峰型耳蜗77

4.3.1AEREAR2滤波器的Q控制78

4.3.2应用:基于尖峰的听觉处理78

4.4树状图79

4.5讨论80

参考文献81

第5章运动电机控制85

5.1简介85

5.1.1确定功能性生物学元素86

5.1.2有节奏的运动模式86

5.2运动控制中的神经回路建模88

5.2.1描述运动行为89

5.2.2虚拟分析90

5.2.3连接模型92

5.2.4基本CPG结构93

5.2.5神经形态架构95

5.3工作中的神经形态CPG101

5.3.1神经假体：体内运动的控制101

5.3.2步行机器人102

5.3.3各段间协调建模104

5.4讨论104

参考文献106

第6章神经形态系统的学习113

6.1简介：突触连接、记忆和学习114

6.2在神经形态硬件中保留记忆114

6.2.1记忆维护问题：直觉114

6.2.2记忆维护问题：定量分析116

6.2.3解决记忆维护问题117

6.3在神经形态硬件中存储记忆121

6.3.1突触学习模型121

6.3.2在神经形态硬件中实现突触模型124

6.4神经形态硬件中的联想记忆128

6.4.1吸引子神经网络中的记忆检索128

6.4.2问题132

6.5神经形态芯片中的吸引子状态134

6.5.1记忆检索134

6.5.2实时学习视觉刺激136

6.6讨论138

参考文献139

第二部分建立神经形态系统第7章硅神经元145

7.1简介145

7.2硅神经元电路块147

7.2.1电导动力学147

7.2.2尖峰事件生成149

7.2.3尖峰阈值和不应期150

7.2.4尖峰频率自适应和自适应阈值152

7.2.5轴突和树突树153

7.2.6其他有用的构建基块154

7.3硅神经元实现155

7.3.1亚阈生物物理现实模型155

7.3.2事件驱动系统的紧凑型I＆F电路158

7.3.3通用I＆F神经元电路159

7.3.4高于阈值、加速时间和开关电容设计163

7.4讨论167

参考文献169

第8章硅突触176

8.1简介177

8.2硅突触实现178

8.2.1无电导电路179

8.2.2电导电路187

8.2.3NMDA突触电路189

8.3动态塑性突触190

8.3.1短期可塑性190

8.3.2长期可塑性192

8.4讨论201

参考文献203

第9章硅耳蜗构造模块208

9.1介绍208

9.2电压域二阶滤波器209

9.2.1跨导放大器209

9.2.2二阶低通滤波器210

9.2.3滤波器的稳定性211

9.2.4稳定的二阶低通滤波器213

9.2.5差异213

9.3电流域二阶滤波器215

9.3.1跨线性回路215

9.3.2二阶Tau细胞对数域滤波器217

9.4指数偏差生成218

9.5内毛细胞模型220

9.6讨论221

参考文献222

第10章可编程和可配置的模拟神经形态集成电路224

10.1简介224

10.2浮栅电路基础知识225

10.3启用电容电路的浮栅电路226

10.4修改浮栅电荷228

10.4.1电子隧道效应228

10.4.2PFET热电子注入229

10.5可编程模拟器件的精确编程230

10.6可编程模拟方法的缩放232

10.7低功耗模拟信号处理233

10.8与数字方法的低功耗比较:内存中的模拟计算235

10.9数字复杂度下模拟编程:大规模现场可编程模拟阵列236

10.10模拟信号处理的应用238

10.10.1模拟变换成像仪238

10.10.2自适应滤波器和分类器240

10.11讨论241

参考文献242

第11章偏置发生器电路248

11.1简介248

11.2偏置发生器电路249

11.2.1自举电流镜主偏置基准电流250

11.2.2主偏置电源抑制比251

11.2.3主偏置的稳定性 252

11.2.4主偏置启动和电源控制252

11.2.5电流分流器:获得主电流的数字控制部分253

11.2.6实现偏置电流的良好单调分辨率257

11.2.7粗精范围选择258

11.2.8小电流的偏移源偏置259

11.2.9个体偏差的缓冲和旁路解耦261

11.2.10通用偏置缓冲电路263

11.2.11保护偏置分流器电流不受寄生光电流的影响264

11.3包括外部控制器的整体偏置发生器结构264

11.4典型特征265

11.5设计工具包266

11.6讨论267

参考文献267

第12章片上AER通信电路269

12.1简介269

12.1.1通信周期270

12.1.2通信提速271

12.2AER发送器模块272

12.2.1像素内的AER电路273

12.2.2仲裁器273

12.2.3其他AER模块279

12.2.4联合作业280

12.3AER接收器模块280

12.3.1芯片级握手模块281

12.3.2解码器282

12.3.3接收像素中的握手电路282

12.3.4脉冲扩展电路283

12.3.5接收阵列外围握手电路283

12.4讨论284

参考文献285

第13章硬件基础架构287

13.1简介287

13.1.1监控AER事件288

13.1.2AER事件定序292

13.1.3映射AER事件293

13.2小型系统的硬件基础架构板296

13.2.1硅皮层296

13.2.2集中通信297

13.2.3可组合架构解决方案298

13.2.4菊花链结构303

13.2.5接口板使用串行AER304

13.2.6可重构网状架构307

13.3中等规模多芯片系统309

13.3.1OR IFAT系统309

13.3.2多芯片定向系统311

13.3.3CAVIAR系统314

13.4FPGA319

13.5讨论321

参考文献323

第14章软件基础架构330

14.1简介330

14.2芯片和系统描述软件331

14.2.1可扩展标记语言332

14.2.2NeuroML332

14.3组态软件332

14.4地址事件流处理软件333

14.4.1现场可编程门阵列333

14.4.2AE流处理软件的结构334

14.4.3带宽和延迟334

14.4.4优化335

14.4.5应用程序编程接口335

14.4.6 AE流的网络传输336

14.5映射软件336

14.6软件示例337

14.6.1ChipDatabase:用于调整神经形态aVLSI芯片的系统337

14.6.2Spike Toolbox339

14.6.3jAER339

14.6.4Python和PyNN340

14.7讨论342

参考文献343

第15章事件流的算法处理346

15.1简介346

15.2软件基础架构需求348

15.3嵌入式实现350

15.4算法实例350

15.4.1降噪滤波器351

15.4.2时间戳映射和按位移地址进行二次采样352

15.4.3作为低级功能检测器的事件标记器352

15.4.4视觉跟踪器354

15.4.5事件驱动的音频处理358

15.5讨论358

参考文献359

第16章迈向大规模神经形态系统362

16.1简介362

16.2大型系统实例362

16.2.1尖峰神经网络结构363

16.2.2分层AE365

16.2.3神经网络366

16.2.4高输入计数模拟神经网络系统368

16.3讨论369

参考文献370

第17章作为潜在技术大脑372

17.1简介372

17.2神经计算的本质：脑技术原理373

17.3理解大脑的方法375

17.4大脑构造和功能的一些原理376

17.5神经电路处理的示例模型378

17.6对神经形态的认知380

参考文献381