NEUROSEC: 基于FPGA的神经形态音频安全
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
本研究提出了一种将分层和网格路由策略与异构存储器结构相结合的新型路由方法，旨在最小化存储要求和延迟，同时通过参数配置最大化编程灵活性，从而支持广泛的基于事件的神经网络体系结构。通过实现原型多核神经形态处理器芯片并将其应用于快速对动态视觉传感器(DVS)中闪现的视觉符号进行实时分类的卷积神经网络，验证了所提出的方案。
Aug, 2017
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
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
通过引入一种名为Spiketrum的神经脉冲编码模型，该模型将时间变化的模拟信号（通常是听觉信号）转换为计算高效的时空脉冲模式，实现了稀疏有效的编码方案，通过精确可控的脉冲速率，便于在各种听觉感知任务中训练脉冲神经网络。我们进一步通过神经型耳蜗原型探究了算法与硬件的协同设计，证明我们的方法可以通过完全利用基于脉冲的计算的优势，为基于脉冲的人工智能提供系统性的解决方案。
Sep, 2023
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
通过对神经形态结构的隐私保护能力进行全面的研究，我们开发了一种新颖的反转攻击策略，与传统的人工神经网络进行比较分析，实验证明提出的攻击策略的有效性，并对神经形态结构的内隐私保护假设提出了质疑。
Feb, 2024
介绍了一种突破性的数字神经形态结构，创新地结合了脑代码单元（BCU）和基础代码单元（FCU），采用混合信号设计方法。通过利用开放源数据集和材料科学的最新进展，我们的研究旨在提高神经形态系统的计算效率、准确性和适应性。通过实验，我们证明了我们的系统在各种指标上的有效性，为神经形态计算提供了坚实的基础，并为该领域未来的发展奠定了基础。
Mar, 2024
本文解决了传统神经网络仿真工具在混合信号神经形态硬件中的局限性，提出了一种专门为混合信号电路设计的软件脉冲神经网络模拟器ARCANA。通过与现有神经形态处理器的测量结果相匹配，本研究有效地展示了这一框架在优化参数和加速计算方面的潜力，为新的学习规则和处理架构的开发提供了可靠的基础。
Sep, 2024