| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第10-35页 |
| 1.1 类脑计算特性 | 第10-11页 |
| 1.2 类脑计算理论模型研究现状 | 第11-19页 |
| 1.2.1 深度学习理论 | 第11-14页 |
| 1.2.2 神经动力学 | 第14-19页 |
| 1.3 类脑计算硬件平台研究现状 | 第19-27页 |
| 1.3.1 深度学习专用处理器 | 第19-22页 |
| 1.3.2 神经形态芯片及系统 | 第22-27页 |
| 1.4 深度学习与神经形态的协同发展期 | 第27-29页 |
| 1.5 论文研究工作 | 第29-35页 |
| 1.5.1 课题的提出 | 第29-32页 |
| 1.5.2 研究目标与研究内容 | 第32-33页 |
| 1.5.3 论文结构安排 | 第33-35页 |
| 第2章 深度神经网络离散化与整型化理论 | 第35-63页 |
| 2.1 DNNs计算原理简介 | 第35-45页 |
| 2.1.1 全连接神经网络 | 第35-37页 |
| 2.1.2 卷积神经网络 | 第37-39页 |
| 2.1.3 学习算法与典型应用 | 第39-42页 |
| 2.1.4 提高DBNs性能的探索 | 第42-45页 |
| 2.2 DNNs多阶离散化在线学习理论 | 第45-59页 |
| 2.2.1 类脑计算平台的硬件约束 | 第45-46页 |
| 2.2.2 DNNs离散化及多阶投影跃迁理论 | 第46-52页 |
| 2.2.3 DNNs多阶离散化在线学习算法及收敛性 | 第52-54页 |
| 2.2.4 性能分析 | 第54-59页 |
| 2.3 DNNs参数与状态的整型化 | 第59-61页 |
| 2.3.1 类脑计算芯片数据类型与位宽限制 | 第59页 |
| 2.3.2 DNNs放缩链式法则 | 第59-60页 |
| 2.3.3 DNNs链式整型化算法 | 第60-61页 |
| 2.4 本章小结 | 第61-63页 |
| 第3章 神经动力学网络模型及整型化理论 | 第63-84页 |
| 3.1 LIF动力学概述 | 第63-74页 |
| 3.1.1 脉冲神经网络 | 第64-70页 |
| 3.1.2 模式学习LIF动力学网络 | 第70-74页 |
| 3.2 序列记忆LIF动力学网络 | 第74-77页 |
| 3.2.1 层级分块序列记忆网络及计算原理 | 第74-75页 |
| 3.2.2 参数编码方案 | 第75-77页 |
| 3.2.3 分块机制与记忆性能的关系 | 第77页 |
| 3.3 目标追踪LIF动力学网络 | 第77-81页 |
| 3.3.1 连续吸引子网络及计算原理 | 第78-79页 |
| 3.3.2 权重编码与参数分析 | 第79-80页 |
| 3.3.3 视频目标追踪应用 | 第80-81页 |
| 3.4 LIF动力学网络整型化 | 第81-82页 |
| 3.4.1 SNNs整型化 | 第81页 |
| 3.4.2 连续LIF动力学网络整型化 | 第81-82页 |
| 3.5 本章小结 | 第82-84页 |
| 第4章 类脑计算硬件架构设计 | 第84-116页 |
| 4.1 神经形态架构基本要素 | 第84-86页 |
| 4.2 理想类脑计算平台—忆阻器网络 | 第86-93页 |
| 4.2.1 忆阻器特性概述 | 第87页 |
| 4.2.2 忆阻器突触结构及调制方案 | 第87-89页 |
| 4.2.3 忆阻器网络及系统架构 | 第89-91页 |
| 4.2.4 模式学习与序列记忆动力学网络 | 第91-93页 |
| 4.3 天机系列异构融合类脑计算芯片设计原则概述 | 第93-94页 |
| 4.4 初级类脑计算芯片—“天机芯Ⅰ” | 第94-101页 |
| 4.4.1 异构融合最小计算功能核 | 第94-98页 |
| 4.4.2 二维网格状路由方法 | 第98-100页 |
| 4.4.3 去中心化众核并行处理设计 | 第100-101页 |
| 4.4.4 资源消耗分析 | 第101页 |
| 4.5 高性能芯片—“天机芯Ⅱ” | 第101-114页 |
| 4.5.1 最小计算功能核总体架构 | 第101-102页 |
| 4.5.2 时空编码轴突单元 | 第102-106页 |
| 4.5.3 多变量运算树突单元 | 第106-107页 |
| 4.5.4 多功能复合胞体单元 | 第107-109页 |
| 4.5.5 高速路由接口与多模式路由机制 | 第109-111页 |
| 4.5.6 多相位工作时序 | 第111-113页 |
| 4.5.7 “天机芯Ⅱ”特点分析 | 第113-114页 |
| 4.6 本章小结 | 第114-116页 |
| 第5章 天机芯片映射原理 | 第116-133页 |
| 5.1 天机芯片拓展机制 | 第116-120页 |
| 5.1.1 逐级求和扇入拓展 | 第116-118页 |
| 5.1.2 复制与多播扇出拓展 | 第118-119页 |
| 5.1.3 横向协作权重拓展 | 第119-120页 |
| 5.2 “天机芯Ⅰ”网络映射原理 | 第120-124页 |
| 5.2.1 全连接层映射 | 第120-121页 |
| 5.2.2 卷积层和池化层映射 | 第121-123页 |
| 5.2.3 反馈LIF动力学网络映射 | 第123-124页 |
| 5.3 “天机芯Ⅱ”网络映射原理 | 第124-131页 |
| 5.3.1 全连接层映射 | 第125页 |
| 5.3.2 卷积层和池化层按行流式映射 | 第125-130页 |
| 5.3.3 ANNs和SNNs的混合映射 | 第130-131页 |
| 5.3.4 SNNs的强抑制清零操作 | 第131页 |
| 5.4 芯片配置与初始化 | 第131-132页 |
| 5.5 本章小结 | 第132-133页 |
| 第6章 软硬件平台与实验验证 | 第133-154页 |
| 6.1 类脑计算软硬件平台 | 第133-137页 |
| 6.1.1 天机芯片性能分析 | 第133-136页 |
| 6.1.2 仿真与实验平台 | 第136-137页 |
| 6.2 忆阻器网络应用验证 | 第137-143页 |
| 6.2.1 FeOx忆阻器双向突触 | 第137-138页 |
| 6.2.2 模式学习LIF动力学网络 | 第138-140页 |
| 6.2.3 序列记忆LIF动力学网络 | 第140-141页 |
| 6.2.4 忆阻器网络调制策略与能耗分析 | 第141-143页 |
| 6.3 天机芯片应用验证 | 第143-152页 |
| 6.3.1 全连接ANNs | 第143-144页 |
| 6.3.2 小规模CNNs | 第144-146页 |
| 6.3.3 ANNs和SNNs混合网络 | 第146-149页 |
| 6.3.4 目标追踪LIF动力学网络 | 第149-150页 |
| 6.3.5 无人驾驶智能自行车系统 | 第150-152页 |
| 6.3.6 大规模CNNs网络 | 第152页 |
| 6.4 本章小结 | 第152-154页 |
| 第7章 总结与展望 | 第154-158页 |
| 7.1 论文工作总结 | 第154-156页 |
| 7.2 论文主要创新点 | 第156-157页 |
| 7.3 下一步工作展望 | 第157-158页 |
| 参考文献 | 第158-169页 |
| 致谢 | 第169-171页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第171-173页 |
| 附录 | 第173-177页 |
| 1 第六章各类网络映射细节 | 第173-177页 |
| 1.1 全连接ANNs | 第173-174页 |
| 1.2 小规模CNNs | 第174-175页 |
| 1.3 ANNs与SNNs混合网络 | 第175页 |
| 1.4 目标追踪LIF动力学网络(CANN) | 第175-176页 |
| 1.5 大规模CNNs | 第176-177页 |