lfsr-stochastic-lif-neuron-skywater-130nm

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：

• 可编程阈值
• 不应期: 0-7周期
• 输出脉冲训练

参数配置：

• 16寄存器串行接口
• 支持并行输入或寄存器文件输入

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

# 串行相关性检测
def check_serial_correlation(output_stream, max_lag=16):
    autocorr = np.correlate(output_stream, output_stream, mode='full')
    # 滞后8附近负峰 → 需要子采样
    if autocorr[8] < 0:
        return True  # 需要16周期子采样

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