21、R-NASH系统：硬件设计、映射与维护全解析

R-NASH系统：硬件设计、映射与维护全解析

1. R-NASH系统基础与STDP学习机制

R-NASH系统运用两种方法实现各种重新配置：
- 自适应阈值 ：当神经元触发时，其阈值会在特定范围内增加；若神经元未触发，阈值则会衰减。在LIF神经元中，通过额外的加法器来调整阈值，调整值（ΔThres.）根据神经元是否触发来选择。当神经元触发时，阈值增加直至达到最大值；反之，阈值衰减直至达到最小值。这样，利用自适应阈值，神经元的触发模式能够与输入速率相平衡。不过，不平衡的权重可能导致权重值较高的神经元达到最大触发率，从而抑制其他神经元触发，使系统无法以胜者全得的机制进行学习。
- 权重归一化 ：STDP学习模块的目标是在学习期间保持神经元的平均权重不变。

STDP学习的更新机制如下：通过比较突触后和突触前尖峰的时间步长，在线STDP模块将其分为两类：
- 若突触前神经元的时间早于突触后神经元，则权重增加一个固定的Δw值。
- 若突触前神经元的时间晚于突触后神经元，则权重减少一个固定的Δw值。

这里以16个时间步长和固定的权重变化为例，以降低整体复杂度，并且该值可通过NI提供的内存接口重新编程。

2. R-NASH初始映射

2.1 映射的重要性

将神经形态系统分解为通过片上网络连接的神经元组时，划分和放置是至关重要的问题，因为它们会严重影响性能。例如，将两个相连的神经元放置得相距较远，会导致系统中出现关键延迟路径，增加功耗，并在分组交换网络中引入更多热耗散。

2.2 遗传算法基础 </