近年來，類腦計算作為人工智能領域的重要方向，以其低功耗、高效率、高容錯性等優勢，展現出巨大的發展潛力。然而，類腦計算開發門檻高、與傳統人工神經網絡（ANN）難以結合、缺乏高效易用的開源框架和豐富案例等問題，一直制約著其廣泛應用。為了突破這一瓶頸，靈汐科技聯合腦啟社區正式宣布開源類腦深度學習應用開發平臺BIDL（Brain-inspired Deep Learning）。

BIDL基于深度學習框架Pytorch構建，實現了GPU和類腦計算芯片的雙硬件平臺支持，實現了一套用戶代碼可在兩類硬件平臺運行的異構執行范式。支持ANN/SNN/異構融合模型的構建。針對靈汐類腦計算芯片進行了深度適配，不僅提供了用戶友好的SNN構建及訓練環境，還顯著提升了模型在類腦計算平臺下的計算效率和能效比。

其支持高精度的BPTT訓練方法，可用于訓練典型的脈沖神經網絡（SNN）模型，并可與傳統的深度學習網絡層混合使用，實現異構融合網絡構建和訓練。該訓練平臺充分考慮了靈汐類腦計算系統的計算特性，訓練后的網絡可自動編譯并部署于靈汐類腦計算系統，實現高效率推理。

圖1.BIDL系統架構圖

核心亮點：賦能開發者，助力應用落地

一是跨平臺部署，靈活高效。BIDL支持將AI模型無縫部署到GPU和類腦芯片上，開發者無需針對不同硬件平臺進行代碼修改，極大地提高了開發效率。這意味著開發者可以將更多精力投入到算法設計和模型優化上，而無需擔心底層硬件平臺的差異。

二是優化了類腦計算芯片的計算效率。我們將靈汐類腦計算芯片與部分GPU進行了多個ANN/SNN融合應用案例的性能指標平均值對比。在滿足算法精度基本不下降時，流式場景（batch size=1）下，靈汐類腦計算芯片延遲與功耗降均下降一個數量級；批計算場景（兩者均采用可用最大batchsize）下，靈汐類腦計算芯片較GPU能效比平均增益約5倍。這些指標展現了類腦計算范式對類腦網絡的高效率支持。借助BIDL，用戶可直接通過pytorch語言，輕松獲得上述性能。

三是豐富案例，開箱即用。BIDL提供了多種分類案例（含DVS數據處理、短視頻處理、文本、醫學影像、大規模圖像及事件信息處理）、類腦跟蹤案例、高速目標檢測案例在內的7大類案例與20+具體案例。這些案例包括了ResNet50-LIF，Spiking Transformer，ST-YoloV5等大規模類腦模型，BIDL提供的案例都提供了類腦計算芯片的推理計算支持，展現了類腦計算芯片的廣泛應用支持能力。開發者可以快速上手并應用到實際項目中。這些案例不僅展示了BIDL的強大功能，也為開發者提供了寶貴的參考和借鑒。

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

應用案例

BIDL源自靈汐類腦計算專用軟件LYNBIDL。LYNBIDL已服務幾十家客戶，應用于類腦計算研究、事件相機信息處理、泛安防等領域。

在2024年10月-12月舉辦的首屆腦啟社區類腦智能創新大賽上，BIDL工具提前開放給選手試用。該大賽的技術組創新獎獲得者（電子科技大學團隊）在腦啟云平臺基于BIDL框架部署了其空間-通道-時間融合注意力SNN（SCTFA-SNN）模型，于較短時間內就完成了針對類腦芯片的適應性優化。

開源社區，共建生態

BIDL秉承開源精神，代碼已在GitHub平臺開源，并提供了詳細的文檔，后續將在腦啟社區上同步完善更多文檔、教程與應用案例。歡迎廣大開發者下載使用并提出寶貴意見，BIDL團隊也將持續更新和維護項目，與開發者共同構建繁榮的類腦計算生態。

附：開源版與專業版對比

BIDL提供開源版和專業版兩個版本，以滿足不同用戶的需求：

1.開源版：面向開發者技術驗證，提供基礎開發功能，支持ANN+SNN融合訓練和基礎案例部署，硬件支持GPU訓練和靈汐類腦芯片基礎推理。開源版采用Apache 2.0許可協議，允許商用修改，并通過社區論壇提供支持。

2.專業版：BIDL 專業版本（LYNBIDL）可提供專業團隊的類腦模型適配支持服務、靈汐芯片與 GPU 性能對比評估數據、適配內存受限邊緣設備的部署框架、類腦芯片片上學習案例、功能級別類腦網絡等額外功能和服務。此外，靈汐及相關合作伙伴還可提供超大規模腦仿真軟件棧及定制化開發等類腦商業化服務。