目前，基于第三代人工智能算法——基于激发式尖峰脉冲神经网络（SNN）的激发式类脑芯片备受关注。然而，目前学界及业界对激发式类脑芯片的分析研究尚处于萌芽阶段，对其上尖峰脉冲信号的产生机理、传播特性、硬件实现、软件模拟尚知之甚少。针对激发式类脑芯片信号传输存在的电磁完整性模拟和设计的关键问题，李尔平教授研究团队立足学科交叉，具体围绕类脑芯片异构集成信号完整性机理探讨、建模仿真、集成优化设计三个层面展开。

脉冲神经网络学习中所采用的基础算法是尖峰时序关联可塑性（STDP），研究团队针对传统的STDP算法进行改进，从而在脉冲神经网络训练过程中使得更多的权重获得更新。基于MNIST手写数字训练集，改进后的算法相比原算法在软件层面能获得更高的训练识别准确率。改进后算法也可通过尖峰脉冲信号和忆阻器交叉阵列在硬件层面实现。研究团队基于部分元等效法在时域上实现忆阻器交叉阵列的电路仿真，从而进一步提出了脉冲神经网络的电路训练仿真方法。由电路仿真结果可知，改进后的STDP算法使得类脑芯片忆阻器交叉阵列在训练过程中的功耗更低，并且由于其在训练过程中受到器件性能差异、互连线静态压降等问题的影响比传统STDP算法更小，所获得的训练识别准确率也更高。相关成果已发表在IEEE Trans. Circuits Syst. I, Reg. Papers杂志。本课题的理论探讨和模拟仿真方法探究将加速激发式类脑芯片从器件到架构和系统的创新研发，具有非常重大的学术意义和工业应用价值。

图1 （a）传统STDP算法权重更新 （b）改进后STDP算法权重更新

图2 改进前后STDP算法的（a）识别率对比  （b）电路训练功耗对比