Nov, 2022

脉冲神经网络决策反馈均衡

PDF
TL;DR本文在通信工程中对脑神经元类似的尖峰神经网络（SNN）进行了研究，提出了一种类似于决策反馈均衡器（DFE）的基于 SNN 的均衡器，并展示了其相比于传统的线性均衡器在三个典型信道上明显的优化效果，为实现低功耗的通信系统提供了可行方案。
artificial neural networksspiking neural networkschannel equalizationdecision feedback equalizerenergy-efficient computing
发现论文，激发创造
  • 脉冲神经网络决策反馈均衡技术用于 IM/DD 系统

    本研究使用有决策反馈结构的脉冲神经网络（SNN）均衡器应用于具有不同参数的 IM / DD 链路，结果发现 SNN 优于线性和人工神经网络（ANN）均衡器。

    Apr, 2023

  • 基于优化神经编码的能效型脉冲神经网络均衡在 IM/DD 系统中的应用

    我们提出了一种基于脉冲神经网络的 IM/DD 系统的高效能均衡器，通过优化神经脉冲编码来提高均衡器的性能，同时降低能量消耗。

    Dec, 2023

  • 面向低功耗边缘智能的脉冲神经网络联邦神经形态学学习

    通过引入在线联邦学习，提出了一种基于 SNN 的在线联邦学习规则，称为 FL-SNN，通过局部和全局反馈信号实现协作训练，从而解决了有限数据的问题，并在通信负载和准确度之间实现了灵活的权衡。

    Oct, 2019

  • 使用 U-Net 脉冲神经网络的单信道语音增强

    本文提出了一种基于脉冲神经网络（SNN）和 U-Net 架构的能量高效语音增强模型，该模型在处理带有时间维度的数据（例如语音）和应用于资源有限设备上具有良好的性能，实验结果表明所提出的 SNN 模型在能量高效性上优于 Intel Neuromorphic Deep Noise Suppression Challenge（Intel N-DNS Challenge）基准解决方案，并实现了与等效 ANN 模型相当的性能。

    Jul, 2023

  • 自适应脉冲循环神经网络精确高效的时间域分类

    本文介绍了一种使用新颖代理梯度和可调谐自适应尖峰神经元的循环网络，将基于脉冲的神经网络的性能提高至具有挑战性的时间域基准的最新水平，并展示了这些 SNN 的计算效率比具有可比性能的 RNN 高出一到三个数量级，从而使 SNN 成为 AI 硬件实现的有吸引力的解决方案。

    Mar, 2021

  • 脉冲神经网络深度学习

    该研究论文讨论深度脉冲神经网络的训练方法，比较有监督和无监督学习的准确性、计算成本和硬件友好性，发现深度脉冲神经网络在准确性方面仍落后于人工神经网络，但在许多任务中可以达到相同的准确性并需要更少的计算操作。

    Apr, 2018

  • 生物启发计算与深度学习的相遇：从人工神经网络到低延迟、准确、高能效的脉冲神经网络

    通过修改 SNN 整合 - 发射神经元模型和在训练 ANN 过程中使用细粒度 L1 正则化和替代梯度等方法，我们提出了一种新的 ANN 转 SNN 框架，可以以极低的时间步和高级稀疏性实现无损 SNN，低延迟，低计算能耗和高测试准确性（例如，ImageNet 数据集上只有 4 个时间步的准确率为 73.30%）。

    Dec, 2023

  • 通过平衡状态隐式微分训练脉冲神经网络

    提出一种基于反馈脉冲神经网络的训练方法，该方法使用隐式微分计算参数的梯度，从而避免了无法微分的脉冲函数问题，并展示了在 MNIST, Fashion-MNIST, N-MNIST, CIFAR-10 和 CIFAR-100 数据集上测试结果的优越性。

    Sep, 2021

  • 将传统人工神经网络转化为脉冲神经网络的最优方案

    本文介绍了一种将传统人工神经网络转化为脉冲神经网络的新方法，该方法使用门限平衡和软重置机制将权重转移至目标 SNN，以降低转换误差。该方法能够保证几乎不出现精度损失，并且只需要典型 SNN 模拟时间的 1/10，非常适合于对 SNN 极限能量和内存进行支持的嵌入式平台上的实现。

    Feb, 2021

  • 一种支持新兴神经编码的资源高效脉冲神经网络加速器

    该研究提出了一种新型硬件体系结构，可支持具有新型神经编码的 SNN，并在 FPGA 上对 VGG 神经网络模型进行了部署，从而实现了 25％的功耗和 90％的延迟改善。

    Jun, 2022