神经形态EMRFormer在调制识别方面实现90%的能耗降低

研究人员开发了EMRFormer，这是一种新颖的脉冲神经网络（SNN）架构，专为资源受限的神经形态硬件上的端到端自动调制识别（AMR）而设计。该架构集成了脉冲驱动的Transformer与自适应脉冲编码和整数泄漏积分-发放（Leaky Integrate-and-Fire）神经元，以提高信息保持能力和表征能力。EMRFormer还集成了脉冲可分离卷积神经网络（CNN），用于从原始IQ波形中提取多尺度时间特征，在实现最先进的准确率的同时，与传统的深度学习方法相比，理论能耗降低了90%以上。在KA200神经形态芯片上的评估显示，与在3090 GPU或Orin NX上运行相比，功耗降低了五倍，展示了其在边缘设备上进行AMR的潜力。 AI

影响 赋能资源受限的边缘设备上更节能的AI应用。

排序理由 该集群包含一篇arXiv预印本，详细介绍了一种新的神经网络架构及其性能评估。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• 3090 GPU
• arXiv
• EMRFormer
• neuromorphic computing
• Orin NX
• spiking neural network
• transformer

• 论文
• 基础设施

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →