| name | lfsr-stochastic-lif-neuron-skywater-130nm |
| description | 开源 LFSR 随机泄漏积分-发放神经元硬件实现方法论 — SkyWater 130nm CMOS 工艺上的随机脉冲神经网络神经元设计 |
| version | 1 |
| author | Kumaresan, Sivasubramani |
| arxiv | 2606.23532v1 |
| published | 2026-06-22T00:00:00.000Z |
| categories | ["cs.ET","cs.AR","cs.NE"] |
| keywords | ["stochastic spiking neuron","LIF","LFSR","neuromorphic hardware","SkyWater 130nm","open-source hardware"] |
| activation | 随机LIF神经元, LFSR神经元硬件, SkyWater neuromorphic, stochastic spiking hardware |
LFSR-Based Stochastic Leaky Integrate-and-Fire Neuron
Overview
开源随机泄漏积分-发放(LIF)神经元硬件实现，使用线性反馈移位寄存器(LFSR)生成随机脉冲发放概率。在SkyWater 130nm CMOS工艺上实现，完全开源。
创新点：
- 随机脉冲神经元用可控随机性替代精确算术，降低面积并容忍输入噪声
- LFSR驱动的可编程激活表实现Bernoulli发放概率
- 完整的开源硬件流程 + 18个cocotb验证测试
Core Architecture
1. 随机脉冲发放机制
LFSR驱动概率表：
- 16位可配置多项式LFSR
- 8条目可编程激活表
- 每周期产生Bernoulli发放概率 = table_value / 256
LFSR → 8-bit comparator → Activation Table → Bernoulli(p) firing
周期特性：
- 最大长度多项式: 65535状态
- 默认配置: 63状态
- 8位比较值在整个周期内均匀分布
2. 泄漏积分器
饱和16位泄漏积分器：
参数配置：
3. 硬件特性
面积：~10,600 μm² (70%利用率)
时序：50 MHz 正裕量
平台：Tiny Tapeout tile
Key Methods
Method 1: 随机性特性分析
问题：比较器输出在短滞后存在串行相关性，滞后8附近有负峰值
原因：比较字节每周期移位1位
解决方案：每16周期子采样恢复白化性
def check_serial_correlation(output_stream, max_lag=16):
autocorr = np.correlate(output_stream, output_stream, mode='full')
if autocorr[8] < 0:
return True
Method 2: Rate Coding控制
单调控制：
- 输入权重 → 输出发放率单调递增
- 阈值 → 输出发放率单调递减
- 不应期 → 发放率上限 = 1/(refractory+1) cycles
Rate Coding Sweep实验：
Weight sweep: [0, 255] → firing rate monotonic increase
Threshold sweep: [0, 65535] → firing rate monotonic decrease
Refractory: [0, 7] → rate cap at 1/(r+1) spikes/cycle
