SYNtzulu 处理器

Tue, 20 Oct 2026 00:00:00 +0000

SYNtzulu：一种用于低功耗 FPGA 实时传感器数据分析的微型 RISC-V 控制 SNN 处理器

原文：SYNtzulu: A Tiny RISC-V-Controlled SNN Processor for Real-Time Sensor Data Analysis on Low-Power FPGAs

文章工作概述

本文提出的是一套可重构微型 SNN 整体架构，用一个极小的、时钟驱动（clock-driven）的 FPGA SNN 推理引擎，在低端 iCE40UP5K（5280 LC）上支持事件式时间编码（event-based temporal encoding）的实时近传感时序数据分析，并由一颗位串行 RISC-V（SERV）软核负责 I/O、参数配置与细粒度功耗管理；推理峰值功耗 12.05 mW，配合动态电源管理平均可降到 1.45–9.87 mW（视应用而定），每突触能耗 62 pJ（比同类 FPGA 加速器低约 452×–661×）。

文章贡献

借助硬件可配置编码插槽实时执行基于事件的时间编码（见相关概念）算法，从而在 FPGA 上实现面向时序数据的 SNN 分析。
在极小的资源开销下，实现突触粒度的脉冲稀疏管理，即使输入为基于事件的时间编码脉冲流，也可在 FPGA 上实现类神经形态计算。
通过硬件资源精简与轻量化 SNN 模型相结合，大幅降低功耗，满足深度边缘场景的功耗约束。
利用RISC-V 软核实现细粒度功耗管理，适配不同任务时序需求，进一步把脉冲稀疏性转化为功耗节省。

SYNtzulu 的实现方式

整体硬件的核心模块划分：

可配置编码插槽（configurable encoding slot） 预处理传感器原始时序信号，生成脉冲序列（spike trains）。
SNN 引擎（SNN engine），包含两个子处理器 整个架构的主计算核心，负责 SNN 推理运算。
可配置解码插槽（configurable decoding slot） 把 SNN 输出的脉冲序列转换成 MCU 或人可读的结果，比如分类标签、回归数值（sEMG 力值、运动跟踪）。
RISC-V 软核 不负责 SNN 推理，只负责数据流 IO、功耗管理，以及对架构超参数的灵活配置（编码阈值、解码参数等）。

SNN Engine

该部分对应架构图：

SNN 的计算基于下面的神经元动力学公式，后面的内容全部围绕它展开：

其中，i(t) 是突触电流，w 是突触权重，s(t−1) 是上一时刻的输入脉冲，v(t) 是膜电位，α 是衰减因子，θ 是脉冲阈值。注意第一条用的是上一时刻的脉冲，第四条是发放脉冲后把膜电位按 (1−s) 复位（s=1 时清零）。

weight memory 与 synaptic adder 工作原理

该模块的职责相当于公式的第一条，也是计算量最大、功耗最大的一条

突触电流的求和需要依赖大量权重，而权重需要预加载存储在片上，iCE40UP5K 的片上存储大部分由 4 个 16 位宽的单端口 RAM（SPRAM） 提供，这些块用来存权重。权重是 8 位宽，所以每个 SPRAM 一次能输出两个权重，4 个 SPRAM 合计每周期可同时输出 8 个 8 位权重。

每对 SPRAM 每周期送来 4 个 8 位权重，交给突触加法器累加。整个引擎有 2 个并行子处理器，每个子处理器各嵌入一个 SIMD 并行的突触加法器，以分担推理工作量。

一侧的突触加法器（SIMD-parallel synaptic adder）具体工作流程如下：

  SPRAM A[15:0]            SPRAM B[15:0]      ← 一对 16-bit 单端口 SPRAM，一拍读 32 bit
    w3     w2               w1     w0
    ↓     ↓               ↓     ↓
   s3 ∧  s2 ∧            s1 ∧  s0 ∧       ← 乘法退化成与门
    └──┬──┘        └──┬──┘
   8-bit 加法器           8-bit 加法器        ← adder_simd: N=2，塞进同一个 DSP 的 SIMD 通道
          └────┬─────┘
            9-bit 进入累加器相加              ← accumulator 的输入级
                    ↓
            18-bit 累加寄存器                 ← 跨周期累加，conv.sv 里 PIPE=5

SYNtzulu 有一对并行处理器，因此一次能处理两个神经元；每个处理器单次可并行计算一个神经元的四路输入突触。对网络中的神经元迭代处理，直到所有层都算完。

LIF integration unit 工作原理

该模块的职责相当于公式中的后三条

因此它的任务就是：

输入每个神经元的i(t)积分计算结果
更新v(t) = αv(t−1) + i(t)
当前神经元进行阈值判断并发放脉冲：s(t)=v>θ，然后 v←v(1−s)

spike mem 与 stack 协同存储与脉冲稀疏性原理

每次运算后输出两个神经元的脉冲。SYNtzulu 把脉冲按 4 个一组打包存入 spike mem，再把该组的组号存入 stack。分组的目的是利用脉冲稀疏性（见相关概念）：组内脉冲全为 0 时直接丢弃组号，下层就不用再算这一组，从而大幅减少计算量、功耗与推理时间。

存储方式：

按顺序将输出的脉冲组编组号，将脉冲组存入spike mem对应组号的地址中
同时判断该组是否稀疏：4 位脉冲中只要有任意一位不为 0，就把组号存入 stack；全为 0 则直接丢弃组号。

在下一层计算时，只需要每一个神经元轮询stack中存储的组号，然后从spike mem中读取对应组号的脉冲组，进行计算。

此外，还涉及到一些需要存储的量：

膜电位 v(t) ：在计算完成后存入到 bram_fifo（每一个处理器有一块）中。
末层神经元膜电位：存入到 output_buffer 中，以供输出。

计算总体预览

图中显示了 SYNtzulu 执行的处理步骤（上半图绿色部分为 SNN Engine 的执行过程）。首先，通过SPI接口读取传感器数据，然后SNN引擎可以逐层执行推理，均匀地将神经元层的计算分发在两个子处理器上，如图中的缩放所示。最后，将推理结果进行解码并通过UART接口进行传输(未显示)。从图中的放大细节可以看到，神经元积分与同层下一个神经元的突触电流计算是重叠进行的。执行在每个采样时间重复进行；此外，根据工作负载的不同，五个执行阶段（SPI数据传输、编码、推理、解码和 UART 数据传输）可以重叠。

编码/解码模块插槽

SYNtzulu的编码槽可以被定制，以实现多种将输入数据转换为脉冲序列的方法。SNN引擎留给FPGA的资源足以实现相当复杂的DSP密集型方法，包括对大量通道数和采集速率的数据预处理。解码槽用于解释SNN引擎产生的输出脉冲序列，提供可用的输出，例如回归的结果或分类任务的结果。

编码插槽

编码插槽内部可以自由定义逻辑，但是有输入输出格式要求：

编码器必须从基于 BRAM 的输入缓冲器按顺序接收特征样本，一拍一个特征值。
编码器以脉冲组形式输出，并同拍给出组有效与组活跃标记：前者让引擎把该组脉冲存入脉冲存储，后者让引擎判断该组是否参与计算。

解码插槽

解码插槽的设计本质上比编码插槽简单，在某些情况下可能根本不需要。

例如，在回归任务中，解码是不必要的，因为网络最后一层的神经元电位直接作为输出。

而在分类任务中就必须做脉冲计数：在一个时间窗口内统计最后一层每个神经元发放的脉冲数，再用比较树选出获胜者（划一个时间窗，数一下每个神经元发了多少脉冲，谁多就是谁）。

RISC-V(SERV)核

该系统嵌入了一个串行RISC-V(SERV)核，其特点是采用位串行设计，每32个时钟周期才能执行单个操作，虽然慢，但占用资源少、能耗极低，所以 SERV 不参与 SNN 推理或信号处理，只做控制。

引入 SERV 核的优势：

SPI 和 UART 数据调度

权重加载（上电一次）：RISC-V 只负责控制运行策略，随后由 SPI 主控把四层权重从 flash 搬进引擎的权重存储；软核只轮询完成标志，不经手数据。
样本输入（每帧）：同理，SERV核每 5 ms 置一次启动位，16 字节采样数据被自动搬进输入缓冲器。demo 中这份数据来自 flash（模拟传感器），实际部署时来自挂在该 SPI 上的传感器。
结果输出（每帧）：推理完成后，软核从输出缓冲读出 32 字节——末层神经元的 16 位膜电位，逐字节喂给 UART。这是三条通路中唯一需要 CPU 反复搬运的环节。

电源管理

两次采样之间，数据在等下一帧，引擎早已算完。所以软核在输出完成后做两件事——置位门控寄存器，直接关掉 24 MHz 主振荡器，
此时只有 10 kHz 的低频振荡器在驱动定时器；到点后产生异步中断，清掉门控位、主振荡器重启，软核醒来后开始下一轮采样。
这让平均功耗从推理时的 12.05 mW 降到 1.45–9.87 mW（视应用而定），而门控逻辑本身只占 25 个 LC。

编码与解码槽的参数配置

编码阈值、解码参数等架构超参数由软核在运行时写入寄存器，换任务时不必重新综合硬件；
因此同一套编码/解码插槽逻辑可以复用到不同任务上，灵活性来自"可配置"而不是"可重写"。

论文阅读 on Lumenth