sPyNNaker: A Software Package for Running PyNN Simulations on SpiNNaker

摘要：
这项工作介绍了sPyNNaker 4.0.0，这是用于在SpiNNaker神经形态平台上模拟PyNN定义的尖刺神经网络（SNN）的软件包的最新版本。
<ul><li>提出了支持实时SNN执行的操作，包括一个基于事件的操作系统，该系统有助于高效的时间驱动神经元状态更新和pipelined event-driven spike processing。</li><li>讨论了预处理，实时执行和神经元/突触模型的实现，所有这些都在一个简单的示例SNN的上下文中进行。</li><li>演示了仿真结果以及性能分析，可深入了解软件如何与底层硬件交互以实现实时执行。系统性能显示为每毫秒10,000个突触事件的原始设计目标的2倍之内，但是SNN拓扑显示对性能的影响很大。</li><li>因此，开发了一种成本模型，以表征网络连接和SNN分区的效果。该模型使用户能够估计SNN仿真性能，使SpiNNaker团队可以预测性能改进的影响，并有助于证明SpiNNaker神经形态硬件的持续潜力。</li></ul>
1. INTRODUCTION
一个能够有效模拟脉冲神经元大规模网络（不同于深度学习社区中使用的人工神经网络）的平台，能够在多个研究领域中取得进步。其中包括：在计算神经科学领域内探索规模；了解类脑信息处理以及如何在传统计算问题中利用它；以及将类似大脑的系统嵌入物理应用程序的能力，例如，促进可控假肢和无人驾驶机器人等机器人的高效实时处理。使用定制硬件解决此类问题的好处是众所周知的，并导致了神经形态工程领域的发展（Indiveri和Horiuchi，2011）。
现在存在多个平台，它们能够对大量神经元和突触进行高性能仿真，其速度通常大大超过生物实时性。示例系统包括海德堡大学的StanfordNeuroGrid（Benjamin等人，2014），IBMTrueNorth（Akopyan等人，2015）和BrainScaleS平台（Schemmel等人，2010）。同时还开发了许多定制的芯片级系统（Qiao等，2015）。
这些系统具有一个共同的特征，即它们通过模拟硬件或具有固定软件的数字硬件中建模的神经元提供预定义的仿真功能。然而，许多神经形态系统专注于提供一个灵活的平台，为研究人员提供重新配置仿真功能以满足其问题要求的机会。例子包括英特尔Loihi（Davies等人，2018）系统，该系统具有可配置的功能，例如用于学习的突触可塑性引擎; SpiNNaker系统由完全可编程的ARM内核组成（Furber，2016年）。尽管就绝对能量消耗或处理速度而言，这种灵活的特性相对于其他神经形态系统损害了这些平台，但它使它们成为有价值的研究工具，可用于探索计算神经科学及其他方面的新兴概念。
 例如，这种灵活性已导致SpiNNaker平台执行大规模的神经元网络（Sen-Bhattacharya等人，2017； van Albada等人，2018），并进行认知任务分析，例如动作选择（Sen- Bhattacharya et al，2018）。还研究了学习在SNN中的应用，例如Knight等人（2016）中基于贝叶斯推理的学习研究，以及Mikaitis等人（2018）中的强化学习。在计算神经科学领域之外，SpiNNaker还已应用于约束满足问题，例如，在Fonseca Guerra和Furber（2017）中解决了计算困难的数独或地图颜色问题。除了这些处理应用程序外，还展示了SpiNNaker系统在多个物理自主机器人中的实施方式，也许最令人印象深刻的应用是肌肉骨骼机器人硬件与在SpiNNaker上实现的神经控制系统的结合（Christoph等，2016）。然而，尽管取得了这些进步，但上述所有领域仍面临着巨大的挑战。为了进一步了解大脑和受大脑启发的系统，发展对记忆，动作选择和注意力的理解至关重要。 SpiNNaker方法使用可编程ARMcore来模拟神经元和突触，从而随着理论神经科学，并行计算和机器人技术领域的发展，可以同时升级和扩展系统功能。这不仅促进了这些领域的研究，而且为高性能，更“刚性”的基于硬件的神经形态解决方案的设计提供了宝贵的见识。但是，此类软件的创建与大多数其他计算机器不同（Furber等2013； Brown等2015； Lin等2018）；虽然SpiNNaker硬件