Oct, 2023

面向下一代计算机视觉的基于脉冲的神经形态计算

PDF
TL;DR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。
neuromorphic computingenergy efficiencyadaptive systemspike-based computingcomputer vision
发现论文，激发创造
  • 基于卷积神经网络的快速、节能的神经形态计算

    本文介绍了一种基于突触剪枝和脉冲神经元结构的神经形态学计算机，其能够实现与深度神经网络相当的分类准确率，而且具有更高的能效和推理速度，在维持高吞吐量的同时能够达到节能的目的，并且使用反向传播算法进行指定和训练，使深度学习的算法能力与神经形态学处理器的效率相结合，从而更好地实现嵌入式人工智能的发展。

    Mar, 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

  • 脉冲神经网络的硬件实现与挑战：一项调查

    该文概述了脉冲神经网络及其硬件实现的现状和趋势，介绍了在算法选择和训练机制方面的工作，描述了利用硬件提高该算法特性的策略以及相关的优点和挑战。

    May, 2020

  • 神经形态学方法在图像处理与机器视觉中的应用

    本文研究神经形态工程的应用，探讨图像处理中的视觉任务、异性扩散和神经形态视觉传感器的角色；介绍 memristors 在执行图像分割和实现人工视觉系统中的应用，讨论硬件加速器的使用，和异步信号传输协议，同时探讨计算机视觉进展可能直接受益于非易失性记忆器技术的案例。

    Aug, 2022

  • 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

  • 提高前馈神经网络在脉冲神经形态芯片中的分类准确性

    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

  • 具有自学习能力的全光脉冲神经突触网络

    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

  • 硬件神经形态计算和神经网络概览

    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

  • 大规模神经形态脉冲阵列处理器：模拟人脑的追求

    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

  • NeuCASL: 从逻辑设计到神经形态芯片系统仿真

    使用 python 构建了一个开源的适用于神经形态逻辑设计、电路模拟、系统性能和可靠性评估的完整系统 CAD 框架 NeuCASL。

    Aug, 2022