spiking neural network
PulseAugur coverage of spiking neural network — every cluster mentioning spiking neural network across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的DBHN-Net将语音增强复杂度降低7.5倍
研究人员开发了一种新的双分支混合神经网络（DBHN-Net），旨在显著降低语音增强系统的计算复杂度和功耗。该网络集成了传统的人工神经网络（ANN）和脉冲神经网络（SNN），其中SNN分支负责降低功耗，ANN分支负责补偿潜在的信息损失。据报道，这种混合方法以及用于特征提取和融合的专用模块，在公共数据集上取得了优于现有模型的性能，同时将计算复杂度平均降低了7.5倍。
-
新的LoRSP框架使用脉冲神经元进行稀疏视觉提示
研究人员开发了一个名为LoRSP的新颖框架，该框架将受大脑启发的脉冲神经网络与低秩因子分解相结合，用于视觉提示。该方法为适应视觉模型生成稀疏、实例特定的提示，旨在与密集像素级提示相比，提高效率和泛化能力。实验表明，LoRSP在各种视觉骨干网络上以更少的参数实现了具有竞争力的性能。
-
ELSA架构实现弹性推理，助力高效神经形态计算
研究人员推出ELSA，一种旨在提高脉冲神经网络（SNN）在神经形态计算中效率的新型架构。ELSA通过实现真正的弹性推理，克服了现有加速器的局限性，允许数据在流经系统时逐步生成输出。与当前的SNN和量化ANN加速器相比，这种细粒度的、逐令牌的流水线显著降低了延迟并提高了能效。
-
新型计算内存宏提升边缘AI推理效率
研究人员开发了E-ReCON，这是一种新颖的计算内存（CIM）宏，专为边缘设备上的高效AI推理而设计。该宏利用紧凑的ReRAM位单元，能够为常规神经网络和脉冲神经网络执行乘法运算。该设计采用了交错加法器树以减少晶体管数量和功耗，从而实现高能效和低延迟。
-
人工智能安全阈值被重新解读为神经元放电阈值
研究人员提出了一种新的方法来评估自动驾驶系统的安全性，将安全阈值建模为神经元放电阈值。该方法使用在人类刹车数据上训练的脉冲神经网络（SNN）来更好地捕捉对持续的临界条件和短暂的高风险事件的响应。研究表明，这种受生物学启发的模型可以将客观安全措施与主观人类感知相协调。
-
铁电突触实现用于脑电信号处理的个性化SNN
研究人员开发了利用铁电突触处理脑电图（EEG）信号的个性化脉冲神经网络（SNN）。该方法旨在通过适应个体用户差异和会话间信号变化来提高脑机接口的泛化能力。该系统采用混合精度策略进行设备上自适应，考虑了特定设备的编程动态以缓解耐久性和能量限制，展示了通往个性化神经形态处理的实用途径。