Lfsr Stochastic Lif Neuron Skywater 130nm

---
name: lfsr-stochastic-lif-neuron-skywater-130nm
description: 开源 LFSR 随机泄漏积分-发放神经元硬件实现方法论 — SkyWater 130nm CMOS 工艺上的随机脉冲神经网络神经元设计
version: 1.0
author: Kumaresan, Sivasubramani
arxiv: 2606.23532v1
published: 2026-06-22
categories: [cs.ET, cs.AR, cs.NE]
keywords: [stochastic spiking neuron, LIF, LFSR, neuromorphic hardware, SkyWater 130nm, open-source hardware]
activation: 随机LIF神经元, LFSR神经元硬件, SkyWater neuromorphic, stochastic spiking hardware
---

# LFSR-Based Stochastic Leaky Integrate-and-Fire Neuron

## Overview

开源随机泄漏积分-发放(LIF)神经元硬件实现，使用线性反馈移位寄存器(LFSR)生成随机脉冲发放概率。在SkyWater 130nm CMOS工艺上实现，完全开源。

**创新点**：
- 随机脉冲神经元用可控随机性替代精确算术，降低面积并容忍输入噪声
- LFSR驱动的可编程激活表实现Bernoulli发放概率
- 完整的开源硬件流程 + 18个cocotb验证测试

## Core Architecture

### 1. 随机脉冲发放机制

**LFSR驱动概率表**：
- 16位可配置多项式LFSR
- 8条目可编程激活表
- 每周期产生Bernoulli发放概率 = table_value / 256

```
LFSR → 8-bit comparator → Activation Table → Bernoulli(p) firing
```

**周期特性**：
- 最大长度多项式: 65535状态
- 默认配置: 63状态
- 8位比较值在整个周期内均匀分布

### 2. 泄漏积分器

**饱和16位泄漏积分器**：
- 可编程阈值
- 不应期: 0-7周期
- 输出脉冲训练

**参数配置**：
- 16寄存器串行接口
- 支持并行输入或寄存器文件输入

### 3. 硬件特性

**面积**：~10,600 μm² (70%利用率)
**时序**：50 MHz 正裕量
**平台**：Tiny Tapeout tile

## Key Methods

### Method 1: 随机性特性分析

**问题**：比较器输出在短滞后存在串行相关性，滞后8附近有负峰值

**原因**：比较字节每周期移位1位

**解决方案**：每16周期子采样恢复白化性

```python
# 串行相关性检测
def check_serial_correlation(output_stream, max_lag=16):
    autocorr = np.correlate(output_stream, output_stream, mode='full')
    # 滞后8附近负峰 → 需要子采样
    if autocorr[8] < 0:
        return True  # 需要16周期子采样
```

### Method 2: Rate Coding控制

**单调控制**：
- 输入权重 → 输出发放率单调递增
- 阈值 → 输出发放率单调递减
- 不应期 → 发放率上限 = 1/(refractory+1) cycles

**Rate Coding Sweep实验**：
```
Weight sweep: [0, 255] → firing rate monotonic increase
Threshold sweep: [0, 65535] → firing rate monotonic decrease
Refractory: [0, 7] → rate cap at 1/(r+1) spikes/cycle
```

### Method 3: Bit-Exact RTL验证

**模型检查**：
- RTL代码位精确对照
- 18个cocotb测试
- RTL级 + Gate级验证

```python
# cocotb测试框架
@cocotb.test()
async def test_lfsr_period(dut):
    # 验证LFSR周期
    period = await measure_lfsr_period(dut)
    assert period == 65535 or period == 63
    
@cocotb.test()
async def test_activation_uniformity(dut):
    # 验证激活表均匀性
    distribution = await sample_activation_table(dut, n=10000)
    assert uniformity_test(distribution)
```

## Pitfalls

### 1. 串行相关性陷阱

**问题**：LFSR输出在短滞后存在相关性，影响脉冲发放的白性

**解决**：16周期子采样或选择更长周期的多项式

### 2. 不应期设置不当

**问题**：不应期过短导致发放率过高，功耗激增

**推荐**：不应期≥3周期平衡性能和功耗

### 3. 验证流程缺失

**问题**：未进行位精确RTL验证可能导致硬件行为与模型不符

**必要**：cocotb测试覆盖所有参数组合

## Verification Protocol

### 1. RTL级测试

```python
# 18个cocotb测试覆盖:
- LFSR周期验证
- 激活表均匀性
- 泄漏积分器饱和
- 不应期正确性
- 串行接口功能
- 并行输入切换
```

### 2. Gate级验证

- 综合后时序验证
- 功耗分析
- 面积优化

### 3. Pre-Silicon仿真

- 前硅完整验证
- Tiny Tapeout tile验证

## Implementation Details

### GitHub Repository
- RTL代码: `https://github.com/santhoshs93/tt_um_santhosh_stoch_neuron`
- Commit: `225ce6e`
- Open implementation flow

### Hardware Parameters
| Parameter | Value | Configurable |
|-----------|-------|--------------|
| LFSR bits | 16 | Polynomial |
| Activation table | 8 entries | Yes |
| Integrator bits | 16 saturating | Threshold |
| Refractory | 0-7 cycles | Yes |
| Interface | 16 registers | Serial |

### Timing & Area
- Frequency: 50 MHz
- Area: ~10,600 μm² @ 70% utilization
- Power: Not reported (pre-silicon)

## Application Domains

1. **边缘神经形态计算**：低面积 + 容噪性
2. **事件驱动硬件**：随机发放适应异步输入
3. **Rate Coding系统**：单调控制适合简单编码
4. **神经形态套件**：四块神经形态组件的伴侣

## Cross-References

- [[stochastic-spiking-hardware]] - 随机脉冲神经网络硬件
- [[lif-neuron-cmos]] - CMOS LIF神经元实现
- [[open-source-neuromorphic]] - 开源神经形态硬件
- [[skywater-130nm-neuromorphic]] - SkyWater神经形态设计

## Future Directions

1. Post-silicon测试验证
2. 多神经元阵列扩展
3. 功耗优化
4. 与其他神经形态组件集成

## References

- arXiv:2606.23532v1 - "An Open-Source LFSR-Based Stochastic Leaky Integrate-and-Far Fire Neuron in SkyWater 130 nm"
- GitHub: https://github.com/santhoshs93/tt_um_santhosh_stoch_neuron
- Tiny Tapeout: https://tinytapeout.com