近年來(lái)，類(lèi)腦計(jì)算作為人工智能領(lǐng)域的重要方向，以其低功耗、高效率、高容錯(cuò)性等優(yōu)勢(shì)，展現(xiàn)出巨大的發(fā)展?jié)摿?。然而，?lèi)腦計(jì)算開(kāi)發(fā)門(mén)檻高、與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)（ANN）難以結(jié)合、缺乏高效易用的開(kāi)源框架和豐富案例等問(wèn)題，一直制約著其廣泛應(yīng)用。為了突破這一瓶頸，靈汐科技聯(lián)合腦啟社區(qū)正式宣布開(kāi)源類(lèi)腦深度學(xué)習(xí)應(yīng)用開(kāi)發(fā)平臺(tái)BIDL（Brain-inspired Deep Learning）。

BIDL基于深度學(xué)習(xí)框架Pytorch構(gòu)建，實(shí)現(xiàn)了GPU和類(lèi)腦計(jì)算芯片的雙硬件平臺(tái)支持，實(shí)現(xiàn)了一套用戶(hù)代碼可在兩類(lèi)硬件平臺(tái)運(yùn)行的異構(gòu)執(zhí)行范式。支持ANN/SNN/異構(gòu)融合模型的構(gòu)建。針對(duì)靈汐類(lèi)腦計(jì)算芯片進(jìn)行了深度適配，不僅提供了用戶(hù)友好的SNN構(gòu)建及訓(xùn)練環(huán)境，還顯著提升了模型在類(lèi)腦計(jì)算平臺(tái)下的計(jì)算效率和能效比。

其支持高精度的BPTT訓(xùn)練方法，可用于訓(xùn)練典型的脈沖神經(jīng)網(wǎng)絡(luò)（SNN）模型，并可與傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)層混合使用，實(shí)現(xiàn)異構(gòu)融合網(wǎng)絡(luò)構(gòu)建和訓(xùn)練。該訓(xùn)練平臺(tái)充分考慮了靈汐類(lèi)腦計(jì)算系統(tǒng)的計(jì)算特性，訓(xùn)練后的網(wǎng)絡(luò)可自動(dòng)編譯并部署于靈汐類(lèi)腦計(jì)算系統(tǒng)，實(shí)現(xiàn)高效率推理。

圖1.BIDL系統(tǒng)架構(gòu)圖

核心亮點(diǎn)：賦能開(kāi)發(fā)者，助力應(yīng)用落地

一是跨平臺(tái)部署，靈活高效。BIDL支持將AI模型無(wú)縫部署到GPU和類(lèi)腦芯片上，開(kāi)發(fā)者無(wú)需針對(duì)不同硬件平臺(tái)進(jìn)行代碼修改，極大地提高了開(kāi)發(fā)效率。這意味著開(kāi)發(fā)者可以將更多精力投入到算法設(shè)計(jì)和模型優(yōu)化上，而無(wú)需擔(dān)心底層硬件平臺(tái)的差異。

二是優(yōu)化了類(lèi)腦計(jì)算芯片的計(jì)算效率。我們將靈汐類(lèi)腦計(jì)算芯片與部分GPU進(jìn)行了多個(gè)ANN/SNN融合應(yīng)用案例的性能指標(biāo)平均值對(duì)比。在滿(mǎn)足算法精度基本不下降時(shí)，流式場(chǎng)景（batch size=1）下，靈汐類(lèi)腦計(jì)算芯片延遲與功耗降均下降一個(gè)數(shù)量級(jí)；批計(jì)算場(chǎng)景（兩者均采用可用最大batchsize）下，靈汐類(lèi)腦計(jì)算芯片較GPU能效比平均增益約5倍。這些指標(biāo)展現(xiàn)了類(lèi)腦計(jì)算范式對(duì)類(lèi)腦網(wǎng)絡(luò)的高效率支持。借助BIDL，用戶(hù)可直接通過(guò)pytorch語(yǔ)言，輕松獲得上述性能。

三是豐富案例，開(kāi)箱即用。BIDL提供了多種分類(lèi)案例（含DVS數(shù)據(jù)處理、短視頻處理、文本、醫(yī)學(xué)影像、大規(guī)模圖像及事件信息處理）、類(lèi)腦跟蹤案例、高速目標(biāo)檢測(cè)案例在內(nèi)的7大類(lèi)案例與20+具體案例。這些案例包括了ResNet50-LIF，Spiking Transformer，ST-YoloV5等大規(guī)模類(lèi)腦模型，BIDL提供的案例都提供了類(lèi)腦計(jì)算芯片的推理計(jì)算支持，展現(xiàn)了類(lèi)腦計(jì)算芯片的廣泛應(yīng)用支持能力。開(kāi)發(fā)者可以快速上手并應(yīng)用到實(shí)際項(xiàng)目中。這些案例不僅展示了BIDL的強(qiáng)大功能，也為開(kāi)發(fā)者提供了寶貴的參考和借鑒。

與BindsNet、Spikingjelly、BrainPy等SNN框架相比，BIDL面向類(lèi)腦計(jì)算芯片進(jìn)行了深度適配，既提供了較高的芯片執(zhí)行效率，又提供了面向類(lèi)腦計(jì)算范式的簡(jiǎn)易編程模式。與Loihi 2的計(jì)算框架Lava、SpiNNaker編譯器SpiNNTools等工具相比，BIDL提供的模型規(guī)模更大、精度更高（提供FP16權(quán)重精度）、靈活度更高（全模型支持pytorch原生編程）。

應(yīng)用案例

BIDL源自靈汐類(lèi)腦計(jì)算專(zhuān)用軟件LYNBIDL。LYNBIDL已服務(wù)幾十家客戶(hù)，應(yīng)用于類(lèi)腦計(jì)算研究、事件相機(jī)信息處理、泛安防等領(lǐng)域。

在2024年10月-12月舉辦的首屆腦啟社區(qū)類(lèi)腦智能創(chuàng)新大賽上，BIDL工具提前開(kāi)放給選手試用。該大賽的技術(shù)組創(chuàng)新獎(jiǎng)獲得者（電子科技大學(xué)團(tuán)隊(duì)）在腦啟云平臺(tái)基于BIDL框架部署了其空間-通道-時(shí)間融合注意力SNN（SCTFA-SNN）模型，于較短時(shí)間內(nèi)就完成了針對(duì)類(lèi)腦芯片的適應(yīng)性?xún)?yōu)化。

開(kāi)源社區(qū)，共建生態(tài)

BIDL秉承開(kāi)源精神，代碼已在GitHub平臺(tái)開(kāi)源，并提供了詳細(xì)的文檔，后續(xù)將在腦啟社區(qū)上同步完善更多文檔、教程與應(yīng)用案例。歡迎廣大開(kāi)發(fā)者下載使用并提出寶貴意見(jiàn)，BIDL團(tuán)隊(duì)也將持續(xù)更新和維護(hù)項(xiàng)目，與開(kāi)發(fā)者共同構(gòu)建繁榮的類(lèi)腦計(jì)算生態(tài)。

附：開(kāi)源版與專(zhuān)業(yè)版對(duì)比

BIDL提供開(kāi)源版和專(zhuān)業(yè)版兩個(gè)版本，以滿(mǎn)足不同用戶(hù)的需求：

1.開(kāi)源版：面向開(kāi)發(fā)者技術(shù)驗(yàn)證，提供基礎(chǔ)開(kāi)發(fā)功能，支持ANN+SNN融合訓(xùn)練和基礎(chǔ)案例部署，硬件支持GPU訓(xùn)練和靈汐類(lèi)腦芯片基礎(chǔ)推理。開(kāi)源版采用Apache 2.0許可協(xié)議，允許商用修改，并通過(guò)社區(qū)論壇提供支持。

2.專(zhuān)業(yè)版：BIDL 專(zhuān)業(yè)版本（LYNBIDL）可提供專(zhuān)業(yè)團(tuán)隊(duì)的類(lèi)腦模型適配支持服務(wù)、靈汐芯片與 GPU 性能對(duì)比評(píng)估數(shù)據(jù)、適配內(nèi)存受限邊緣設(shè)備的部署框架、類(lèi)腦芯片片上學(xué)習(xí)案例、功能級(jí)別類(lèi)腦網(wǎng)絡(luò)等額外功能和服務(wù)。此外，靈汐及相關(guān)合作伙伴還可提供超大規(guī)模腦仿真軟件棧及定制化開(kāi)發(fā)等類(lèi)腦商業(yè)化服務(wù)。