利用 SPLEAT 加速器的嵌入式神经形态测试台成功地在可嵌入设备上训练、评估、量化和部署了脉冲神经网络，通过加载最新的神经网络解决方案，估计了在专门设计的低功耗脉冲神经网络硬件上部署网络所带来的性能损失，并在神经形态硬件上实现了真实世界的基于事件的目标检测，令人惊叹的是，具有 108 万参数的嵌入式脉冲解决方案每个预测只需消耗 490 mJ。

Jun, 2024

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

在边缘人工智能应用中，使用脉冲神经网络（SNNs）进行设备上的在线学习和自适应，以实现对不断变化的环境中产生的传感器数据的快速处理。我们提出了一种脉冲神经网络的脑启发式处理器 EON-1，用于在近传感器极端边缘在线特征提取，该处理器集成了快速的在线学习和自适应算法。我们报告了仅 1% 的学习能耗开销，远低于其他 SoTA 解决方案，同时达到相当的推理准确度。此外，我们证明了 EON-1 可以在实时处理高清和超高清流媒体视频时实现低延迟，同时进行学习。

Jun, 2024

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

本文提出了一种新的芯片上学习框架，可以快速、高效地优化光神经网络的性能，避免了传统方法的实施成本。该框架可有效解决资源约束下的无噪音优化问题，具有较好的优化稳定性与高效性，适合实际部署。

Dec, 2020

本文研究了基于神经形态计算在计算机视觉领域中的可扩展性，为了实现在降低功耗的同时达到非神经形态计算的性能。我们将深度神经网络架构 U-Net 转化为脉冲神经网络架构，并采用 ISBI 2D EM Segmentation 数据集对其进行训练和优化。我们提出了一种优化多芯片网络部署的分区方法，并探讨了对定期发放率进行正则化以最小限度地减少精度损失和优化能量消耗的优势。最终在 Intel Loihi 神经形态芯片上进行的神经形态实现比传统硬件 (CPU，GPU) 在线运行时节省能源的倍数，同时在不牺牲网络的任务性能准确性的情况下实现了这些功率改进。

Jun, 2021

本文提出了一种低功耗神经形态计算处理器 —— 文曲星 22A，采用了 RISC-V SNN 扩展指令版本 1.0、简化漏电积分 - 火灾（LIF）模型和二元随机脉冲时序相关可塑性（STDP）等技术，将 SNN 计算单元集成到通用 CPU 流水线中，实现了低功耗计算，并将该处理器应用于 MNIST 数据集识别任务上，结果表明 Wenquxing 22A 相较 ODIN 加速解决方案能够提高 5.13 倍的能源费用效率，同时保持了较高的分类精度。

Oct, 2022

基于时间编码的 ANN 到 SNN 转换方法 Quartz 在神经形态硬件上实现了高分类准确性，通过时间编码在功耗、吞吐量和延迟方面具有优势。

Sep, 2023

通过全光神经元、光子突触的结合实现了小规模的全光神经元系统，这种用于神经元和突触之间信息交流的新型系统比传统计算机更高效，尤其对于高带宽任务如通讯和图像处理尤为适用。

Feb, 2021

本文介绍了一种在 TrueNorth 平台上的学习方法，通过约束每个计算副本的随机变量并减少所需的副本数量，可以实现更高的执行效率和更准确的推理，最多可将所需的神经 - 突触核心减少 68.8％或加速 6.5 倍，推理精度略有提高。

Apr, 2016