NeuCASL: 从逻辑设计到神经形态芯片系统仿真
神经形态计算有望比传统的冯・诺依曼计算模式在能效上提升数个数量级。其目标是通过学习和模拟大脑功能来开发自适应、容错、低占用、快速、低能耗的智能系统,可以通过在材料、器件、电路、架构和算法等不同抽象层面上进行创新来实现。随着复杂视觉任务的能耗因大型数据集而呈指数增长,并且资源受限的边缘设备变得越来越普遍,基于脉冲的神经形态计算方法可以成为在当前主导视觉领域的深度卷积神经网络的可行替代方案。在本书章节中,我们介绍了神经形态计算,概述了设计堆栈的几个代表性示例(器件、电路和算法),并总结了一些令人兴奋的应用和未来的研究方向,这些方向在近期的计算机视觉中似乎很有前景。
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
本文首先回顾了神经形态计算的动机和驱动力,然后讨论了该领域的主要研究方向,包括神经启发式模型、算法和学习方法、硬件和设备、支持系统以及应用,并给出了未来研究的主要方向和目标。
May, 2017
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
本文提供了一种将预先训练的深度神经网络 (DNNs) 转换成脉冲神经网络 (SNNs) 的通用指南,并介绍了一些在神经形态硬件上部署转换后的 SNNs 的技术,可显著改进其延迟,功耗和能耗。实验结果表明,与 Intel Neural Compute Stick 2 相比,使用我们的 SNN 改进技术, Intel 的神经形态处理器 Loihi 在测试的图像分类任务中功耗降低了最多 27 倍,能耗降低了最多 5 倍。
Oct, 2022