SynSense 和蘇黎世大學神經信息學研究所 (INI) 和蘇黎世聯邦理工學院的研究人員在《科學報告》上發表的新工作中提出了一種構建強大的低功耗機器學習應用程序的新方法。

脈衝神經網絡的監督訓練，用於在混合信號神經形態處理器上進行穩健部署： https://www.nature.com/articles/s41598-021-02779-x

在邊緣設備上推動低功耗 AI 導致了最近對新型內存計算架構和混合信號模擬/數字異步計算的興奮。 這種方法被稱為“神經形態智能”，因為它的靈感來自生物神經系統。

在邊緣設備上推動低功耗 AI 導致了最近對新型內存計算架構和混合信號模擬/數字異步計算的興奮。這種方法被稱為“神經形態智能”，因為它的靈感來自生物神經系統。

與常見的數字信息處理相比，神經形態設備使用模擬計算元件來實現極高的功率效率。模擬設備可能因電路和芯片而異，如果管理不當，可能會在大規模部署時降低 AI 應用程序的準確性。

在這項工作中，SynSense 和 INI 研究人員提出了一種新的方法來為異步神經形態計算設備構建應用程序，從而克服了這個問題。 “我們使用了一種網絡架構，旨在利用混合信號神經形態設備中的稀疏通信，以防止操作過程中可能發生的任何噪聲和錯誤，”該論文的資深作者 Dylan Muir 博士說。

新方法專為 SynSense 的高級混合信號設備設計，但可用於解決研究社區中其他神經形態硬件的類似問題。 SynSense 將使用該方法為未來的高級設備構建應用程序，這些設備將利用模擬和數字電路的優勢，用於超低功耗 AI 邊緣計算系統。

“混合信號神經形態設備有望為邊緣設備和物聯網設備節省大量電能，”SynSense 聯合創始人兼該工作的合著者 Giacomo Indiveri 教授說。 “這項新工作使在混合信號設備上部署 AI 應用程序更加強大。”