稀疏感知的内存神经形态计算单元，具有可配置拓扑的混合脉冲和人工神经网络

脉冲神经网络（SNN）在实现高能效和低功耗方面显示出了巨大的潜力，相比于人工神经网络（ANN）。然而，SNN与ANN之间仍存在显著的准确性差距。为了解决这一问题，我们提出了一种支持混合脉冲/人工神经网络（S/ANN）和稀疏感知数据流的内存神经形态计算（IMNC）芯片。通过IMNC芯片，我们旨在通过在算法、架构和电路层面的优化来提高推理准确性，同时实现高能效。首先，在算法层面，我们注意到SNN通过时间域卷积操作从输入脉冲中提取时间特征。基于这一见解，我们有效地利用漏积（LI）神经元对SNN和ANN进行混合，从而在保持高度稀疏操作的同时提高准确性。其次，在架构层面，我们设计了一种支持具有不同稀疏度的混合S/ANN拓扑的稀疏感知架构。最后，在电路层面，我们提出了一种基于环的内存计算（IMC）宏，其能耗与输入稀疏度成反比，使其非常适合在SNN和ANN中进行能效高的乘法和累加（MAC）操作。我们对所提出的混合S/ANN在各种分类任务上进行了评估，并证明了相比于纯SNN，它们具有更强的分类和泛化能力。值得注意的是，我们的IMNC芯片采用22纳米CMOS技术制造，在语音活动检测（VAD）和心电图异常检测中的测量准确率超过95%。此外，我们的IMNC芯片在每个突触操作中展现出优越的动态能效，达到0.43皮焦耳，超过了相关工作。