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
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
本研究系统研究了协同设计神经网络架构和硬件加速器的重要性和策略,发现不同的使用场景会导致非常不同的搜索结果,研究表明联合搜索方法在所有延迟目标上始终优于以前的面向平台的神经体系结构搜索、手动设计的模型和最先进的 EfficientNet,可将边缘加速器的能源消耗降低高达 2 倍。
Feb, 2021
本文提出了一种神经形态混合学习模型,该模型实现了元学习局部可塑性和多尺度协同学习的降低维度的脉冲神经网络。在多个任务中展示了该模型的性能,包括在神经形态视觉传感器中的少样本学习、连续学习和容错学习。该模型表现出比单一学习方法显著更高的性能,并展示了在嵌入式应用方面的应用优势。
Jun, 2020
本研究综述了欧洲航天局先进概念团队在空间环境中研究神经形态学方法的早期尝试,旨在构建能够高效利用资源,满足航天器严格能量限制的工程设备。
Dec, 2022
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
本文提出一种基于硬件 / 软件协同设计的新的约束贝叶斯优化框架,可以自动识别联合设计空间中的优化点,应用于各种神经模型,改善能量延迟产品的性能。
Oct, 2020
该研究报告介绍了神经形态计算技术的现状、挑战和机遇,并探讨其在材料、设备、电路、算法、应用和伦理等领域的未来应用发展,旨在为读者提供有价值的资源。
May, 2021