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

本文研究了神经形态计算在两个不同的神经形态结构下，使用进化算法和多目标适应函数来缩小神经网络的体积，并提高其对硬件故障的适应能力。实验结果表明，该策略可以在减小神经网络体积的同时提高其抗故障性能。

Feb, 2020

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

本文提出了一种低功耗神经形态计算处理器——文曲星22A，采用了RISC-V SNN扩展指令版本1.0、简化漏电积分-火灾（LIF）模型和二元随机脉冲时序相关可塑性（STDP）等技术，将SNN计算单元集成到通用CPU流水线中，实现了低功耗计算，并将该处理器应用于MNIST数据集识别任务上，结果表明Wenquxing 22A相较ODIN加速解决方案能够提高5.13倍的能源费用效率，同时保持了较高的分类精度。

Oct, 2022

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

SpikeNAS是一种新颖的内存感知神经架构搜索（NAS）框架，用于SNN，能够在给定的内存预算下快速找到适当的SNN架构，提高准确性并满足内存受限的SNN系统的需求。

Feb, 2024

人工智能在现代社会中的作用日益重要，高效训练和部署深度神经网络成为关注的重点之一。脉冲神经网络（SNNs）通过利用时间稀疏计算提供了提高能源效率的方法，但其训练由于其循环性质而具有一定挑战性。本文介绍了Spyx，这是一个基于JAX设计的新型轻量级SNN模拟和优化库，通过在现代加速器的扩展vRAM中进行预存数据，并采用大量的即时编译，Spyx使得SNN优化能够作为统一的低级程序在NVIDIA GPU或Google TPU上执行，实现了最佳的硬件利用率，并在保持相当灵活性的同时超越了许多现有的SNN训练框架的性能。

Feb, 2024

本文提出了一种框架，用于在数字神经形态硬件中训练和部署高性能尖峰神经网络模型（SNNs），其中除了神经突触的突触权重外，还进行了协同优化的突触延迟。评估了在两个神经形态数字硬件平台（Intel Loihi和Imec Seneca）上训练的模型，并展示了从软件到硬件的过渡过程中的最小精度降低。

Apr, 2024

本研究探讨了神经形态计算和边缘计算相结合的潜力，创建了一个适用于处理动态视觉传感器捕获数据的多功能机器学习系统。通过混合使用PyTorch和Lava框架构建和训练了混合模型，融合脉冲神经网络（SNNs）和人工神经网络（ANNs）。该研究还解决了在硬件上部署这种混合结构的挑战，并在Intel的神经形态处理器Loihi和Jetson Nano上部署了相应组件。此外，该研究在神经形态计算和边缘人工智能硬件的异构系统上进行了全面的性能分析，包括准确性、延迟、功耗和能源消耗。研究结果表明，混合脉冲神经网络在所有指标上均优于基准人工神经网络模型，并在准确性和延迟方面优于基准脉冲神经网络模型。

Jul, 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