(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110431290.5 (22)申请日 2021.04.21 (65)同一申请的已公布的文献号 申请公布号 CN 113158567 A (43)申请公布日 2021.07.23 (73)专利权人 中国人民解 放军国防科技大 学 地址 410073 湖南省长 沙市开福区砚瓦池 正街47号 (72)发明人 王蕾　王世英　康子扬　曲连华　 李石明　刘威　张剑锋　石伟　 龚锐　冯权友　张英　励楠　 (74)专利代理 机构 湖南兆弘专利事务所(普通 合伙) 43008 代理人 谭武艺 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/063(2006.01) G06K 9/62(2022.01) G06F 111/08(2020.01)(56)对比文件 CN 112468401 A,2021.0 3.09 CN 112329327 A,2021.02.0 5 CN 111783973 A,2020.10.16 CA 2939561 A1,2018.02.2 2 CN 111783320 A,2020.10.16 KR 20200020545 A,2020.02.26 EP 3340116 A1,2018.0 6.27 张洋.脉冲神经网络的延时参数优化. 《中国 优秀博硕士学位 论文全文数据库(硕士)信息科 技辑》 .2019,(第04期),I140 -71. Shasha Guo,etc.Expl oration of input patterns for enhanci ng the performance of liquid state mac hines. 《2020 IE EE 5th Internati onal Conference o n Signal and Image Proces sing(ICSIP)》 .2021, YAN ZHOU,ETC.Sur rogate-Assisted Evolutionary Searc h of Spi king Neural Architectures i n Liquid State Mac hines. 《Neurocomputi ng》 .2020,第40 6卷 审查员 洪必文 (54)发明名称 一种液体状态机模型中通信的软硬件联合 优化方法及系统 (57)摘要 本发明公开了一种液体状态机模型中通信 的软硬件 联合优化方法及系统， 本发 明包括在脉 冲神经网络(SNN)模拟器中对液体状态机模型 LSM进行训练和推理， 在训练和推理过程中按照 脉冲丢包率对液体状态机模型LSM中传输的脉冲 进行丢包， 在完成训练和推理后计算出分类准确 率； 若分类准确率满足要求， 则将液体状态机模 型LSM映射到片上网络模拟器上仿真计算最大传 输延迟， 若最大传输延迟满足要求则增加脉冲丢 包率继续迭代， 直至找到最佳的脉冲丢包率。 本 发明在保证分类准确性的前提下， 通过确定的脉 冲丢包率不断丢包， 从而能够降低类脑处理器中核间的数据包传输延迟， 使得最终LSM在类脑处 理器中运行时满足类脑计算实时性的要求。 权利要求书2页 说明书6页 附图3页 CN 113158567 B 2022.05.03 CN 113158567 B 1.一种液体 状态机模型中通信的软硬件联合优化方法， 其特 征在于， 包括： 1)在SNN模拟器中初始化液体 状态机模型LSM， 设置初始的脉冲丢包率； 2)在SNN模拟器中对液体状态机模型LSM的进行训练和推理， 且在训练和推理过程中按 照脉冲丢包率对液体状态机模型LSM中传输的脉冲进行丢包， 最终在完成训练和推理后计 算出分类准确率； 3)判断分类准确率是否满足要求， 若分类准确率不满足要求， 则跳转执行步骤6)； 否 则， 跳转执 行步骤4)； 4)将液体状态机模型LSM映射到片上网络模拟器中， 通过片上网络模拟器中的核间通 信来模拟液体状态机模型LSM中液体层神经元之间的通信， 并获得液体层神经元之间通信 的最大传输延迟； 5)判断最大传输延迟是否满足要求， 若最大传输延迟满足要求， 则增加丢包率， 然后跳 转执行步骤2)； 否则， 跳转执 行步骤6)； 6)将最后完成训练和推理后的液体 状态机模型LSM 输出。 2.根据权利要求1所述的液体状态机模型中通信的软硬件联合优化方法， 其特征在于， 所述SNN模拟器为Brai n2、 CARLsim、 Nest中的一种。 3.根据权利要求1所述的液体状态机模型中通信的软硬件联合优化方法， 其特征在于， 步骤2)中在SNN模拟 器中对液体状态机模 型LSM的进行训练和推理的步骤包括： 生 成应用的 输入脉冲， 通过输入脉冲作为训练数据集训练液体状态机模型LSM的读出层readout， 且在 训练和推理过程中按照脉冲丢包率对液体状态机模型LSM中传输的脉冲进行丢包， 直至完 成对液体状态机模型LSM的训练； 最后采用多组测试数据集来对训练好的液体状态机模型 LSM进行分类， 获得分类准确率。 4.根据权利要求1所述的液体状态机模型中通信的软硬件联合优化方法， 其特征在于， 步骤4)中将液体状态机模型LSM映射到片上网络是指将液体状态机模型LSM的神经元 随机 映射到神经 形态核内。 5.根据权利要求1所述的液体状态机模型中通信的软硬件联合优化方法， 其特征在于， 步骤4)中将液体状态机模 型LSM映射到片上网络模拟 器后， 任意两个液体状态机模型LS M的 任意两个神经 元之间的核间通信流 量trace表示 为： [Source Neuron ID,Desti nation Neuron ID,time‑step] 其中， Source  Neuron ID表示源神经元对应神经形态核的ID， Destination  Neuron ID 表示目的神经 元对应神经 形态核的ID， time ‑step为脉冲产生时间。 6.根据权利要求1所述的液体状态机模型中通信的软硬件联合优化方法， 其特征在于， 步骤4)中通过片上网络模拟 器中的核间通信来模拟液体状态机模型LS M中液体层神经元之 间的通信时， 片上网络模拟 器的输入包括片上网络配置文件以及任意两个神经元之 间的核 间通信流量trace， 所述片上网络配置文件包括拓扑结构、 路 由算法、 路 由器微体系结构的 配置参数。 7.根据权利要求6所述的液体状态机模型中通信的软硬件联合优化方法， 其特征在于， 所述片上网络配置文件中配置的拓扑 结构为2D ‑Mesh网络结构， 路由算法为xy 路由算法。 8.根据权利要求6所述的液体状态机模型中通信的软硬件联合优化方法， 其特征在于， 步骤4)中液体层神经 元之间通信的最大传输延迟的计算 函数表达式为：权　利　要　求　书 1/2 页 2 CN 113158567 B 2Li＝Pi‑r‑Pi‑g LTl＝Max(Li),1≤i≤F 上式中， Li为数据包i的传输延迟， i为数据包id， Pi‑r表示数据包i的接收时刻， Pi‑g表示 数据包i的生成时刻， LTl为最大传输延迟， Max为取最大值 函数， F为总的数据包的数量。 9.根据权利要求1所述的液体状态机模型中通信的软硬件联合优化方法， 其特征在于， 步骤5)中判断最大传输延迟是否满足要求时， 所需满足要求的函数表达式为： LTl<L 上式中， LTl为最大传输延迟， L 为同步周期。 10.一种液体状态机模型中通信的软硬件联合优化系统， 包括微处理器和存储器， 其特 征在于， 所述微处理器被编程或配置以执行权利要求 1～9中任意一项 所述液体状态机模型 中通信的软硬件联合优化方法的步骤， 或者所述存储器中存储有被编程或配置以执行权利 要求1～9中任意一项所述液体 状态机模型中通信的软硬件联合优化方法的计算机程序。权　利　要　求　书 2/2 页 3 CN 113158567 B 3