SpikON：面向在线脉冲神经网络的双并行高效加速器

SpikON是首个面向在线监督学习脉冲神经网络（SNN）的算法-硬件协同设计框架，通过时序可学习阈值、级联计算复用等技术，实现训练延迟降低32.2%、能耗减少35%，并在边缘设备上实现数量级的吞吐与能效提升。该项目已被ISLPED 2026录用，代码开源于GitHub（https://github.com/peilin-chen/SpikON）。

脉冲神经网络（SNNs）作为第三代神经网络，事件驱动的稀疏计算特性使其在能效上潜力巨大，但在线学习面临两大瓶颈：

1. 非监督在线学习（如STDP）硬件友好但精度低、扩展性差；
2. 监督在线学习（如BPTT）精度高但内存开销大、计算模式与边缘硬件并行架构不匹配，阻碍资源受限设备部署。

SpikON的算法创新包括：

• 时序可学习阈值：动态调整阈值参数，提升训练稳定性与收敛速度；
• 时序缩放权重中心化：缓解深层SNN梯度消失问题，支持更深架构；
• 级联计算复用：前向传播与反向传播跨时间步并行（t步前向时t-1步反向），减少训练延迟与内存带宽需求。

硬件架构核心为双并行引擎与SIMD-based SNN核心：

• 双并行引擎同时支持前向/反向传播，最大化资源利用，降低训练延迟32.2%；
• SIMD核心针对脉冲稀疏特性优化，高效处理非零脉冲事件，定制指令集加速特定操作。

实验结果验证性能优势：

• 算法层面：保持准确率前提下，训练延迟降32.2%、能耗减35%；
• 系统层面：相比Apple M4 GPU，吞吐提升7.2倍、能效提升11.5倍；相比TPU-like加速器，吞吐提升26.8倍、能效提升15.8倍，使在线SNN学习在边缘设备实用可行。

技术基础依赖PyTorch框架与SpikingJelly开源库，参考SLTT（ICCV2023）的高效反向传播算法。开源生态便于研究者复现验证、工程师二次开发，推动SNN社区迭代改进。

应用前景广泛：

• 边缘智能：智能家居、可穿戴设备等实时在线学习，保护隐私降低延迟；
• 自适应系统：机器人导航、自动驾驶感知等持续适应新环境；
• 低功耗训练：为绿色AI提供新思路。SpikON是SNN在线学习从理论到工程实用的里程碑，有望推动SNN加速器发展。