脈沖神經網絡（SNNs）具有事件驅動、低能耗的特性，非常適合在自動駕駛、移動醫療等邊緣計算場景中部署。在現實應用中，由于用戶數據存在場景偏差，預訓練的 SNN 模型往往難以直接適配個性化任務。盡管設備端訓練被視為一種可行的解決路徑，但在資源有限的邊緣硬件上實現高效率、低功耗的訓練，仍面臨顯著挑戰。

針對上述問題，中國科學院微電子研究所集成電路制造技術全國重點實驗室研究團隊，通過算法與硬件協同設計，在小批次學習場景下實現了邊緣端脈沖神經網絡的高能效訓練。團隊提出了一種硬件友好的訓練算法——脈沖直連反饋對齊（SDFA），在誤差反向傳播過程中構建了直連反饋路徑，其中反饋權重采用全隨機矩陣，且在訓練過程中保持固定，無需更新，大幅降低了計算與存儲開銷。在硬件層面，團隊設計了名為 PipeSDFA 的高效憶阻存內計算架構，充分利用 SDFA 的算法特性，實現了時間步、數據與批處理的三級流水線并行處理。該架構還借助憶阻器件的本征隨機性，高效存儲固定的隨機反饋矩陣。為進一步提升計算能效，團隊引入了輸入數據復用機制，并提出了高效權重映射方案（vw-SDK），有效優化了計算資源的利用。實驗結果表明，SDFA 算法在多個數據集上保持了與基線方法相當的模型精度，損失不超過 2%。在硬件效能方面，PipeSDFA 架構相比已有的 RRAM-CIM 架構（如 PipeLayer），計算速度提升1.1~10.5倍，能效比提升 1.37~2.1倍。這一研究結果有效解決了邊緣設備訓練中的硬件效率瓶頸，為神經形態計算系統在資源受限環境中的實際應用提供了可擴展的解決方案。

此項研究結果以 “When Pipelined In-Memory Accelerators Meet Spiking Direct Feedback Alignment: A Co-Design for Neuromorphic Edge Computing”為題在德國慕尼黑舉辦的第44屆國際計算機輔助設計會議（ICCAD）上進行了口頭報告。微電子所碩士研究生任浩雄為第一作者，微電子所尚大山研究員為通訊作者。該工作得到了國家重點研發計劃、國家自然科學基金和中國科學院的支持。

國際計算機輔助設計會議ICCAD（IEEE/ACM International Conference on Computer-Aided Design）由美國計算機協會（ACM）和電氣與電子工程師協會（IEEE）聯合主辦，是全球電子設計自動化（EDA）與集成電路設計領域歷史悠久、影響力深遠的頂級學術會議之一。會議聚焦芯片設計自動化、存內計算、AI 架構等前沿方向，吸引了全球頂尖科研團隊與半導體企業的廣泛關注。

文章鏈接：https://doi.org/10.1109/ICCAD66269.2025.11240745

圖1?脈沖直連反饋對齊算法（SDFA）流程圖

圖2?存內計算架構