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

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

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

该研究比较了人工神经网络和脉冲神经网络的数字硬件加速技术和平台，以回答在设计新硬件时何时应参考大脑并何时应忽略的问题。

Jun, 2023

神经形态计算及尤其是脉冲神经网络(SNNs)作为深度神经网络的一种有吸引力的替代方法，已广泛应用于处理来自不同感觉模态的静态和/或时间输入的信号处理应用。本文从算法和优化创新的最新进展开始，旨在高效训练和扩展低延迟、能源高效的复杂机器学习应用中的脉冲神经网络(SNNs)。然后，我们讨论了算法-架构共设计方面的最新研究成果，探索在实现高能效和低延迟的同时仍提供高准确性和可信性之间的固有权衡。然后，我们描述了为有效利用这种算法创新而开发的基础硬件。尤其是，我们描述了一种混合方法，即在内存组件和传感器本身中整合模型计算的重要部分。最后，我们讨论了构建可部署SNN系统的研究前景，重点是算法-硬件-应用共设计领域的关键挑战，强调了可信性。

Dec, 2023

通过利用随机计算（SC）执行基于脉冲神经网络（SNN）的Transformer模型的点积注意力机制，实现高准确率和能源效率。

Feb, 2024

提出了一种专注于硬件感知的脉冲神经体系结构搜索框架HASNAS，用于神经形态的计算内存系统（CIM）中，以实现在给定的内存、面积、延迟和能耗约束下获得高准确度的脉冲神经网络(SNN)。

Jun, 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

本文针对稀疏脉冲神经网络（SNN）在实现超低功耗人工智能中的效率问题，提出了一种硬件-软件协同设计的方法。研究表明，不同的稀疏表示、硬件架构及训练技术对硬件效率具有显著影响，并强调了在硬件设计中的适应性需求。本研究的最重要发现是，充分利用SNN的计算优势可以推动嵌入式神经形态系统的发展。

Aug, 2024