图优化方法
SpiNeMap
Mapping spiking neural networks to neuromorphic hardware.
开源代码地址：https://github.com/Jinouwen/SpiNeMap
优化指标：Global spikes，latency，energy consumptions
类脑芯片：DYNAP-SE
步骤分析:
SNN模拟与分析：使用SNN软件模拟器(CARLSim)提取经过训练的SNN网络的拓扑结构和神经元的行为，形成无向SNN图以及脉冲行为轨迹；
- 无向SNN图以神经元为节点、神经元与神经元之间的突触为边；
- 脉冲行为轨迹包含源神经元以及目的神经元的编号和激发时间
划分：随机无向SNN图划分为多个SNN子块，使用启发式算法Kernighan-Lin graph partitioning algorithm，通过在不同子块之间交换神经元优化SNN子块之间的脉冲通信量；
- 每个SNN子块中神经元数目不能超过单个crossbar所能容纳的神经元数
- 每个SNN子块只会被分配给一个crossbar
映射：使用启发式搜索算法（PSO，粒子群算法）找到一个最优的映射方案将SNN子块分配给目标硬件上的神经元核，最小化目标硬件上脉冲在crossbar之间传播的平均延迟和能量消耗(通过最小化脉冲传播的平均跳数实现)。基于拓展的Noxim平台（Noxim++）实现搜索算法中的指标函数计算。
创新点
- 将SNN网络的划分和SNN网络分块到物理硬件的映射一起考虑，形成完整的映射方案。
问题
- 没有提到神经元的扇入突触超过crossbar限制如何解决？
ISI distortion：inter-spike intervals失真，会引起模型精度的下降，定义为
，其中 \delta\_j^s 表示第j个脉冲在第s个突触上传播的延迟，当突触位于crossbar上时，可以认为I\_j^s\|\_{distortion}=0，当突触映射到NoC上时，I\_j^s\|\_{distortion}\neq 0。当输入编码方案为速率编码时，ISI distortion可能没有影响，论文中提出了另一种直觉的spike disorder的指标
，F\_j^i和\hat{F}\_j^i分别表示神经元i中的第j个脉冲到达的频率。