N-MNIST
PulseAugur coverage of N-MNIST — every cluster mentioning N-MNIST across labs, papers, and developer communities, ranked by signal.
-
新型位串行 CNN 加速器提升 XR 视觉效率
研究人员开发了 BitFair，这是一种专为超低功耗扩展现实 (XR) 应用设计的新型位串行 CNN 加速器。该加速器集成了可学习的早期终止和自适应比特排序，以优化性能和能效。BitFair 在 12nm GlobalFoundries FinFET 工艺上实现，可实现亚毫秒级延迟，并且与现有的 XR 视觉加速器相比，能效显著提高，同时在 N-MNIST 和 IBM DVS128 Gesture 等基准数据集上保持高精度。
-
新的开源框架助力SNN硬件设计与探索
一个新开发的开源框架，旨在辅助设计和探索用于节能神经形态计算的混合信号脉冲神经网络（SNN）。该框架构建于PyTorch之上，通过整合器件级非线性和支持多种神经元及突触模型，使研究人员能够模拟和优化SNN硬件。它已在标准基准测试上进行了评估，报告了分类准确性以及面积和功耗等面向硬件的指标。
-
新的开源框架助力SNN硬件设计探索
研究人员开发了一个开源框架，用于模拟和探索混合信号脉冲神经网络（SNN）的设计空间。该工具将器件级非线性直接集成到PyTorch中进行训练和推理，允许优化物理突触参数而非抽象权重。该框架支持多种神经元模型，包括Leaky Integrate-and-Fire、Hodgkin-Huxley和Axon-Hillock，以及非易失性模拟突触。它已在N-MNIST、DVS Gesture和Spiking Heidelberg Digits等基…
-
新方法更快地训练节能脉冲神经网络
研究人员开发了 EGGROLL，一种新颖的无梯度脉冲神经网络（SNN）训练方法，可显著降低计算成本。该方法使用低秩分解的进化策略扰动，将内存需求从 O(mn) 减少到 O(r(m+n))。应用于 N-MNIST 数据集， EGGROLL 在训练速度上比全秩进化策略快 2.23 倍，同时达到 79.21% 的测试准确率，使其适用于无需代理梯度的神经形态硬件。
-
液态神经网络在鲁棒性和效率方面优于LSTM
一篇新的研究论文将液态神经网络（LNNs）与传统的长短期记忆（LSTM）网络在序列模式识别方面进行了比较。研究发现，LNNs，特别是CfC网络，在参数效率和鲁棒性方面表现更佳，尤其是在数据缺失或稀疏的情况下，例如生理时间序列分析。该研究还探讨了LNNs在事件数据、手写和绘图识别等各种数据集上的性能。