MMAug, 2023

基于神经形态计算的卫星通信能效化机载无线资源管理

PDF
TL;DR最新的卫星通信 (SatCom) 任务以完全可重构的机载软件定义载荷为特征，能够根据系统流量的时空变化适应无线电资源。我们研究了在机载无线电资源管理中应用节能的脑启发式机器学习模型。除了软件模拟外，我们还使用最新发布的 Intel Loihi 2 芯片进行了大量的实验结果。通过在 Xilinx Versal VCK5000 上实现传统的卷积神经网络 (CNN)，我们对不同流量需求的准确性、精确度、召回率和能源效率进行了详细比较，最显著的是，对于相关的工作负载，Loihi 2 上实现的脉冲神经网络 (SNNs) 在提高准确性的同时，将功耗降低了 100 倍以上，与基于 CNN 的参考平台相比。我们的发现指出了神经形态计算和 SNN 在支持机载 SatCom 操作方面的重要潜力，为未来 SatCom 系统的提高效率和可持续性铺平了道路。
satellite communicationreconfigurable on-board software-defined payloadmachine learningenergy-efficient brain-inspired ml modelsspiking neural networks
发现论文，激发创造
  • 神经形态硬件上机器学习工作量的高效部署

    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

  • 硅芯片中的能效机器学习：一种启发自通信的方法

    本篇论文主张采用通信启发式方法来设计机器学习系统，分别采用确定性和随机性版本。采用此方法可以充分利用机器学习算法和应用，以解决其在能量受限制平台上部署时面临的挑战。

    Oct, 2016

  • 低功耗神经形态处理硬件

    本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面，以解决能效问题。

    Jan, 2019

  • 利用机器学习进行卫星灵活载荷配置

    该研究论文介绍了一种基于机器学习的无线资源管理方法，加入环境感知度量评估通信系统整体性能的机器学习模型的资源分配决策的影响。

    Oct, 2023

  • 神经形态学无线感知：远程推断的事件驱动语义通信

    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

  • 使用 Loihi 2 进行高效神经形态信号处理

    该论文介绍了基于生物启发式的脉冲神经元的神经形态计算中，如何支持具有完全可编程动态范围的状态耦合脉冲神经元模型，并用这些模型在模拟实验中高效处理流数据的示例。其中，我们提出了一种可以计算短时傅里叶变换和光流估计的算法，并展示了使用谐振器级联的变体来复制耳蜗的新特性及其激励的有效脉冲谱图编码器的结果。

    Nov, 2021

  • 基于神经形态学方法提高自主系统估计的能效和可靠性

    本研究提出了基于脉冲编码理论和脉冲神经网络的估计框架，利用神经形态计算机的效率和可伸缩性来实现小型、轻量化和低功耗计算机在无人系统计算机中的应用并证明了其在精度和鲁棒性方面优于传统算法，减少近 97% 的能量消耗。

    Jul, 2023

  • CarSNN：一种基于 Loihi 神经形态研究处理器的事件驱动自主车辆的高效脉冲神经网络

    本文介绍了使用 SNN 和 DVS 结合的方式来实现基于事件的汽车分类器从而应用于自动驾驶，最终在 Intel Loihi 神经形态硬件上实现，并取得了最高 86% 的识别率和 310 mW 的低功耗。

    Jul, 2021

  • 一种用于图像分割的脉冲神经网络

    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

  • 神经形态硬件上关键词检测效率的基准测试

    使用英特尔的 Loihi 神经形态研究芯片和 ABR 的 Nengo 深度学习工具包，对训练识别单个短语的两层神经网络关键词检测器进行推理速度、动态功耗和每次推理的能量成本的分析。与运行在其他硬件设备上的关键词检测器进行比较分析，包括 CPU、GPU、Nvidia 的 Jetson TX1 和 Movidius 神经计算棒。我们的结论表明，在这种推理应用中，Loihi 比所有这些替代品在每次推理的能量成本方面表现更好，同时保持相同的推理精度。此外，对网络大小、推理速度和能量成本之间的权衡分析表明，Loihi 相对其他低功耗计算设备的竞争优势在更大的网络中得到了提高。

    Dec, 2018