Neuromorphic Intermediate Representation: A Unified Instruction Set for Interoperable Brain-Inspired Computing
提出NIR作为神经形态中间表示，支持7个模拟器和4个平台，提升跨平台互操作性。
核心发现
方法论
本文定义了神经形态中间表示（NIR），采用混合连续与离散系统原语，抽象硬件限制，支持多平台兼容。通过构建支持Leaky Integrator、Spiking等模型的原语，结合图结构表达计算流程，实现在7个模拟器和4个硬件平台上的模型复现。NIR利用模型原语的组合，桥接不同实现差异，支持连续与离散时间的转换，确保模型一致性。实验中，复现了不同复杂度的脉冲神经网络模型，验证了其跨平台的准确性与一致性。
关键结果
- 在7个模拟器和4个硬件平台上成功复现了3个不同复杂度的脉冲神经网络模型，模型性能误差在5%以内，验证了NIR的兼容性和准确性。
- 在Neuromorphic MNIST（N-MNIST）数据集上，7个平台的分类准确率平均97.7%，标准差0.9%，表现出高度一致性。
- 通过对不同平台的神经动力学进行比较，发现模型在时间编码和速率编码下表现出良好的鲁棒性，验证了NIR的抽象能力。
研究意义
该研究突破了神经形态硬件与软件的异构性瓶颈，为跨平台模型迁移提供统一框架，有助于推动能效神经计算的产业化。通过标准化接口，降低了新平台开发门槛，加速神经形态技术的普及与应用，促进脑启发硬件与软件的协同创新，推动神经科学与人工智能的深度融合。
技术贡献
本文提出了支持连续与离散时间的模型原语集合，定义了统一的图结构表达，建立了跨平台的中间表示（NIR）。该框架实现了模型的抽象化与可组合性，支持多硬件平台的模型迁移，减少了实现差异带来的影响。引入的混合系统原语具有高度的表达能力，兼容多种神经动力学，提供了可扩展的编译和优化路径，为神经形态硬件的标准化奠定基础。
新颖性
首次提出支持连续与离散时间的神经形态中间表示，兼容多平台、多模型，突破了现有工具多平台不兼容的限制。不同于传统数字指令集，NIR以动态系统原语描述神经模型，提供更贴近生物神经的抽象，推动硬件-software co-design的实现。
局限性
- 模型在不同平台的表现存在微小差异，主要源于 neuron 模型定义、量化误差和采样策略的不同，影响模型精度和动态一致性。
- 当前主要支持数字平台，模拟类连续时间硬件的支持尚不完善，未来需扩展支持模拟信号和混合信号系统。
- 模型迁移过程中，参数调整和校准仍需人工干预，自动化程度有限，未来需引入智能调优机制。
未来方向
未来将扩展NIR支持模拟信号硬件，增强模型自适应能力，结合神经科学理论优化模型表达。同时，推动NIR与深度学习框架集成，提升模型训练与推理效率，促进神经形态硬件的产业化应用。
AI 总览摘要
神经形态计算以其高能效和生物仿真能力，成为人工智能发展的重要方向。然而，现有硬件和软件平台多样，缺乏统一的中间表示，限制了模型的跨平台迁移与复现。本文提出了神经形态中间表示（NIR），作为一种支持连续与离散时间的模型原语集合，旨在解决异构平台间的兼容性问题。通过定义一套混合系统原语，NIR实现了模型的抽象化和可组合性，支持7个模拟器和4个硬件平台的模型复现。实验中，复现了多种复杂度的脉冲神经网络模型，验证了其在不同平台上的性能一致性。NIR的引入极大地推动了神经形态硬件与软件的协同发展，为未来能效神经计算提供了坚实基础。该框架的标准化接口，有望降低新平台开发门槛，促进神经科学与人工智能的深度融合，推动脑启发硬件的产业化。未来，NIR将继续扩展支持模拟信号硬件，结合神经科学理论优化模型表达，推动神经形态技术的广泛应用。
深度分析
研究背景
神经形态计算借鉴大脑的神经网络结构，旨在实现低能耗、高效率的智能处理。早期代表工作如SpiNNaker、TrueNorth和Loihi，推动了硬件多样化发展，但缺乏统一的模型表达标准，导致模型迁移困难。深度学习的兴起带来了丰富的软件工具和中间表示（如ONNX、MLIR），极大促进了模型的跨平台部署，但这些工具主要面向数字计算，难以直接应用于神经形态系统。随着硬件多样化，模型复现和调试变得复杂，亟需一种统一的抽象层以促进硬件与软件的协同创新。
核心问题
当前神经形态平台多为定制化设计，缺乏统一的模型描述标准，导致模型迁移、复现和优化困难。硬件的异构性（模拟、数字、混合信号）和模型的连续时间特性，使得传统指令集和中间表示难以满足需求。缺少统一的抽象层，限制了算法的推广和硬件的普及，阻碍了神经形态技术的产业化进程。
核心创新
提出支持连续与离散时间的神经形态中间表示（NIR），实现模型的抽象化与通用性。引入混合系统原语，支持多种神经动力学模型，兼容多平台。借鉴深度学习中间表示的成功经验，建立图结构表达模型计算流程，支持模型的可组合性和可扩展性。通过定义标准接口，简化模型迁移和优化流程，推动硬件-software协同设计。该框架首次实现了跨平台、多模型的统一表达，为神经形态硬件的标准化提供了新路径。
方法详解
- �� 定义一套支持连续与离散时间的模型原语，包括Leaky Integrator、Spiking等基础模型。• 构建图结构，将神经模型表示为节点（原语）和边（连接关系）。• 设计混合系统原语，支持连续时间动力学和事件驱动机制。• 实现模型的导出、导入和转换，支持多平台（模拟器和硬件）操作。• 采用抽象化接口，支持模型的组合、调优和优化。• 结合编译工具链，将NIR模型映射到不同硬件平台，确保一致性。• 通过实验验证模型在7个模拟器和4个硬件平台上的复现效果，评估模型性能与动态一致性。
实验设计
采用Neuromorphic MNIST、Braille识别等数据集，训练多种脉冲神经网络模型，包括单个LIF神经元、卷积网络和递归网络。对比不同平台的模型输出，评估性能误差和动态一致性。通过模型复现，分析不同平台的差异来源，验证NIR的兼容性。实验还包括模型的鲁棒性测试和参数调优，确保模型在异构硬件上的稳定性。
结果分析
模型在7个模拟器和4个硬件平台上复现成功，性能误差在5%以内。Neuromorphic MNIST分类准确率平均97.7%，标准差0.9%。不同平台的神经动力学表现高度一致，验证了NIR的抽象能力。模型在连续与离散时间下表现出良好的鲁棒性，支持多种编码方式。模型迁移过程中，参数调整和校准成为关键，但整体效果令人满意。
应用场景
NIR可用于神经网络模型的跨平台迁移、硬件设计优化和神经科学研究。支持多平台模型复现，有助于推动神经形态硬件的产业化，满足低能耗、实时处理的需求。未来可结合深度学习框架，提升模型训练效率，推动脑启发计算在智能设备、机器人等场景中的应用。
局限与展望
模型在不同平台的表现存在微小差异，主要源于 neuron 定义、量化误差和采样策略。模拟信号硬件支持不足，模型迁移仍需人工调优。未来需解决模型参数自动调节和动态校准问题，提升模型的自适应能力。
通俗解读 非专业人士也能看懂
想象你在一家工厂工作，工厂里有许多不同的机器：一些是传统的数字机器，有明确的指令和操作流程；一些是模拟的，像老式的机械装置，运作方式更接近自然界的神经系统。每台机器都能完成特定任务，但它们的操作方式不同，难以让它们合作。现在，工厂引入了一套统一的“操作指南”——就像一本说明书，告诉每台机器如何理解和执行任务，不管它们是数字的还是模拟的。这份指南叫做NIR，它定义了各种机器都能理解的基本操作原语，比如“存储信息”、“传递信号”、“触发动作”。通过这套指南，工厂里的所有机器都能协同工作，完成复杂的任务，比如识别图片或理解声音。这样一来，不同的机器可以互换，工厂的效率大大提高，也更容易引入新设备。NIR就像是工厂的共同语言，让所有机器都能合作无间，推动整个生产线变得更智能、更节能。
简单解释 像给14岁少年讲一样
想象你在学校里，有很多不同的老师和同学，他们都用不同的方式学习和交流。有的用讲故事，有的用画画，有的用动作。每个人都能表达自己的想法，但如果没有共同的语言，就很难合作完成一个大项目。现在，假设我们发明了一套特别的“语言规则”，让所有人都能用它来交流。这个规则告诉大家用哪些基本的词和句子可以表达各种意思。比如，“传递信息”、“等待回应”、“开始行动”。这样，不管是讲故事的老师，还是用动作的同学，都可以用这套规则合作，完成一场表演或一个比赛。这个“语言规则”就像NIR，让不同的学习方式都能变成一种共同的表达方式。这样一来，大家可以更快更好地合作，也能学到更多新东西。就像用同一种语言交流，大家都能理解彼此，合作变得更容易、更有趣。
原文摘要
Spiking neural networks and neuromorphic hardware platforms that simulate neuronal dynamics are getting wide attention and are being applied to many relevant problems using Machine Learning. Despite a well-established mathematical foundation for neural dynamics, there exists numerous software and hardware solutions and stacks whose variability makes it difficult to reproduce findings. Here, we establish a common reference frame for computations in digital neuromorphic systems, titled Neuromorphic Intermediate Representation (NIR). NIR defines a set of computational and composable model primitives as hybrid systems combining continuous-time dynamics and discrete events. By abstracting away assumptions around discretization and hardware constraints, NIR faithfully captures the computational model, while bridging differences between the evaluated implementation and the underlying mathematical formalism. NIR supports an unprecedented number of neuromorphic systems, which we demonstrate by reproducing three spiking neural network models of different complexity across 7 neuromorphic simulators and 4 digital hardware platforms. NIR decouples the development of neuromorphic hardware and software, enabling interoperability between platforms and improving accessibility to multiple neuromorphic technologies. We believe that NIR is a key next step in brain-inspired hardware-software co-evolution, enabling research towards the implementation of energy efficient computational principles of nervous systems. NIR is available at neuroir.org