通过仿生神经系统的方法，我们提出了一种脑启发式的平台，用于原型设计实时事件驱动的脉冲神经网络（SNNs），该系统支持模拟动态和现实的神经处理现象，并具有低延迟的异步数字电路以及模拟电路来实现这些功能。

Oct, 2023

本文介绍支持皮层网络和深度神经网络模型的仿生处理器架构的调查和优点，这些架构从串行时钟实现的多神经元系统到纯数字系统和混合模拟 / 数字系统，实现更类似生物神经系统的神经元和突触模型，并描述了需要解决的挑战。

Jun, 2015

本研究介绍了一种高度可配置的神经形态计算基础，其可用于模仿多种类型的神经网络。系统的核心是一块混合信号芯片，具有神经元和突触的模拟实现和动作电位的数字传输。它的固有并行性和高加速因子使得这个仿真设备比传统计算机具有更大的优势。其可配置性允许实现几乎任意的网络拓扑和使用广泛变化的神经元和突触参数。计算的噪声通过校准程序进行降低。该系统的集成开发环境使神经科学家可以在没有神经形态电路设计先验知识的情况下操作该设备。作为该系统能力的展示，我们描述了成功仿真了六种不同的神经网络，这些网络涵盖了广泛的结构和功能。

Oct, 2012

本篇论文提出了一种全新的神经形态计算无线物联网系统设计，通过整合基于脉冲的传感、处理和通信，每个感测设备都搭载了神经形态传感器、一个脉冲神经网络和多天线脉冲无线电发射器，传输共享衰落信道到具有多天线脉冲无线电接收器和脉冲神经网络的接收器。该系统在多个信道实现中联合训练了导引、编码神经网络、解码神经网络和超级网络，相较于传统的数字帧处理解决方案和非自适应训练方法，大大提高了精度和能耗的指标。

Jun, 2022

本文提出了一种框架，用于在数字神经形态硬件中训练和部署高性能尖峰神经网络模型（SNNs），其中除了神经突触的突触权重外，还进行了协同优化的突触延迟。评估了在两个神经形态数字硬件平台（Intel Loihi 和 Imec Seneca）上训练的模型，并展示了从软件到硬件的过渡过程中的最小精度降低。

Apr, 2024

本论文综述了神经形态工程中的关键问题，包括信息处理、脑样计算、神经模型及其仿真，以及深度学习等。

May, 2018

本文介绍了一种 FPGA 加速神经网络评估的异构计算系统，通过利用 DSP 和 LUT 的不同资源优势进行计算。作者运用强化学习算法对系统进行优化，使得该系统在减少延迟的同时提高了精度表现。

Dec, 2021

使用新的二进制硬件跨棒学习算法实现深度神经网络在 TrueNorth 芯片上的部署，可在以前工作的基础上实现显著提高（76％与 86％准确度）同时保持良好的性能 MNIST 手写数据集。

May, 2017

本研究介绍了基于类比神经突触核心和嵌入式微处理器的全新神经形态架构 BrainScaleS-2，并在五个不同实验中证明其高加速度和优越的灵活性。

Dec, 2019

本文提出了一种名为 AnalogNAS 的自动化 DNN 设计框架，目标是部署在模拟内存计算推理加速器上，通过大量的硬件模拟，展示 AnalogNAS 在各种 TinyML 任务上的性能，以及在 64 核 IMC 芯片上实现的模型较 SOTA 模型具有更高的准确性。

May, 2023