近几年，随着计算机科学和集成电路技术的不断发展，芯片算力越来越大，以人工神经网络为代表的人工智能得到快速发展，赋能各行各业的智能化变革。如在计算机视觉、自然语言处理、内容生成、机器人控制、自动驾驶等领域和任务取得较好的效果。但由于算法模型的规模不断扩大，人工智能的高能耗问题难以忽视。类脑智能/计算借鉴生物大脑生理结构与信息处理机制，从形态结构到计算过程全方面模拟大脑，达到更高的智能水平和更低的能耗。作为类脑计算的主要实现形式，脉冲神经网络(SNN, Spiking Neural Network)具有时空稀疏的二值脉冲事件驱动特性，并因其节能运算的模式而受到广泛关注。然而由于SNN需要处理时序信息并存储模型的状态变量，现有的通用计算平台或加速器存在资源开销大、计算延迟高、模型适应性差等问题。为此，本文分析了类脑模型的计算特点，设计一款兼顾灵活性与低功耗的众核类脑处理器，主要工作如下:

提出一种基于事件驱动工作模式的层次化众核类脑处理器，包括神经元核心、调度核心、皮质柱核心和路由器。处理器基于类脑指令集能够支持丰富的模型算法；调度核心提供了脉冲事件的调度策略；路由器和片间通讯接口保障芯片的可拓展能力。

针对芯片资源约束及算法并行计算条件下的模型映射问题，初步研究了计算模型、学习算法、网络拓扑的基本映射流程，提出多种神经元扇入、扇出拓展方案，以及模型分布式存储与计算的映射方案。并基于硬件架构和软件映射方案，设计网络模型映射器、行为级的指令集和芯片系统仿真器，加速片上算法模拟和验证。

最后，搭建了类脑软硬件平台包括: 类脑软件框架、处理器硬件仿真器、基于Xilinx VU13P FPGA和DVS相机的硬件环境，基于平台验证了多项应用。在多种数据集的推理分类应用上，类脑处理器能够取得和GPU相近的分类准确率，能量延迟积降低了7至143倍；在模拟复杂神经元模型时，计算相对误差不超过5%；在MNIST数据集上能够实现96.7%的片上学习分类准确率；在解码脑机接口信号时，实现相关系数0.58的解码处理能力；在真实场景下，演示了基于DVS相机的手势分类。所设计的类脑处理器在实验验证方面，表现了良好的可用性以及可拓展性。SMIC28nm工艺下后端评估结果为：面积为431mm²，功耗为0.54W，每次突触操作需要1.08pJ，并与当前先进的类脑处理器进行了对比。