Brian2Loihi: An emulator for the neuromorphic chip Loihi using the spiking neural network simulator Brian
开发智能神经形态解决方案仍然是一项具有挑战性的工作。它需要对硬件的基本构建块有坚实的概念性理解。除此之外，可访问和用户友好的原型设计对于加快设计流程至关重要。我们开发了一个基于神经网络模拟器Brian的开源Loihi模拟器，它可以很容易地集成到现有的模拟工作流程中。我们展示了一个单一的神经元和一个循环连接的脉冲神经网络的软件中的无错Loihi仿真。片上学习也进行了审查和实施，合理的差异，由于随机舍入。这项工作提供了一个连贯的介绍Loihi的计算单元，并介绍了一个新的，易于使用的Loihi原型包，旨在帮助简化概念化和部署新的算法。
2021-09-25 cs.NE
Scalable neuromorphic computing from autonomous spiking dynamics in a clockless reconfigurable chip
LMOPS UR4423 Laboratory, CentraleSupélec and Université de Lorraine（LMOPS UR4423实验室，中央超导电子实验室和洛林大学）
本文提出了一种基于无时钟数字电路自主连续演化的脉冲动态的可扩展神经形态架构，通过FPGA实现可配置的布尔脉冲神经元网络，展示了在音频分类任务中高效处理脉冲编码数据的性能，且能耗显著低于传统数字方案。
2026-05-15 cs.LG cs.NE
AutoML for neuromorphic computing and application-driven co-design: asynchronous, massively parallel optimization of spiking architectures
Argonne National Laboratory（阿贡国家实验室）
在这项工作中，我们扩展了AutoML启发的方法来探索和优化神经形态架构。通过集成的并行异步基于模型的搜索方法与仿真框架来模拟尖峰架构，我们能够有效地探索神经形态架构的配置空间，并确定在目标应用程序中导致最高性能的条件的子集。我们已经证明了这种方法的实时，片上学习应用程序的一个典型案例。我们的研究结果表明，我们可以有效地使用优化方法来优化复杂的架构，从而提供了一个可行的途径，以应用程序驱动的协同设计。
2023-02-26 cs.AR cs.LG cs.NE
Spiking Neural Network based Region Proposal Networks for Neuromorphic Vision Sensors
提出了一种基于神经形态视觉传感器数据的三层脉冲神经网络区域建议网络。所提出的架构包括耐火，卷积和聚类层设计与生物现实的泄漏集成和消防（LIF）神经元和突触。所提出的算法进行了测试交通场景记录从DAVIS传感器设置。区域建议网络的性能与基于事件的均值漂移算法进行了比较，发现在相似的精度（~85%）下，召回率要高得多（~50%）。计算和内存的复杂性所提出的方法也被证明是类似的事件为基础的均值漂移
2019-02-26 cs.ET cs.NE
A Spiking Network for Inference of Relations Trained with Neuromorphic Backpropagation
在广泛的日常物体中对智能传感器的日益增长的需求要求存在能够在其环境中自主操作的低功率信息处理系统。特别是，有效地合并和处理不同传感器的输出是移动代理的认知能力的必要要求。在这项工作中，我们提出了一个多层的脉冲神经网络的刺激模式之间的关系在专用的神经形态系统的推理。该系统使用新版本的反向传播算法进行训练，该算法适用于神经形态硬件中的片上学习：错误梯度被编码为通过对称突触传播的尖峰信号，使用与前向传播期间使用的相同的集成和发射硬件基础设施。我们证明了强度的算术关系推理任务和视觉XOR的MNIST数据集上的方法。与以前的生物启发的网络实现相比，我们的方法能够用更少的神经元实现更好的性能。我们的架构是第一个具有片上学习能力的脉冲神经网络架构，它能够对复杂的视觉刺激进行关系推理。这些功能使我们的系统感兴趣的传感器融合应用和自主神经形态代理的嵌入式学习。
2019-03-11 cs.NE
Benchmarking Deep Spiking Neural Networks on Neuromorphic Hardware
随着越来越多的基于事件的神经形态硬件系统正在开发中的大学和工业，有一个领域的具体措施，以评估其性能的需求越来越大。在这项工作中，我们使用的方法转换预先训练的非尖峰到脉冲神经网络的性能损失和测量的能量每推理的神经形态硬件系统（BrainScaleS，Spikey，SpiNNaker）和CPU（NEST）和CPU/GPU（GeNN）的共同模拟框架。对于模拟硬件，我们进一步应用一种称为硬件在环训练的再训练技术来应对设备失配。对五个不同的网络进行了分析，其中包括三个通过神经架构搜索框架自动优化发现的网络。我们证明，转换损耗通常低于百分之一的数字实现，并适度较高的模拟系统的好处是低得多的能源每推理成本。
2020-10-26 cs.NE
Neuromorphic Hardware In The Loop: Training a Deep Spiking Network on the BrainScaleS Wafer-Scale System
在模拟神经形态硬件上仿真脉冲神经网络比在传统计算机上仿真它们有几个优点，特别是在速度和能耗方面。然而，这通常是以减少对仿真网络的动态控制为代价的。在本文中，我们演示了如何迭代训练的硬件仿真网络可以补偿模拟基板引起的异常。我们首先将在软件中训练的深度神经网络转换为BrainScaleS晶圆级神经形态系统上的尖峰网络，从而与生物时域相比实现了10000的加速因子。该映射之后是在环训练，在每个训练步骤中，网络活动首先记录在硬件中，然后用于通过反向传播计算软件中的参数更新。一个重要的发现是，参数更新不必是精确的，而只需要近似地遵循正确的梯度，这简化了更新的计算。使用这种方法，经过几十次迭代，尖峰网络显示出接近理想的软件仿真原型的准确性。所提出的技术表明，模拟神经形态设备上模拟的深尖峰网络可以获得良好的计算性能，尽管模拟基板的固有变化。
2017-03-06 cs.NE
SpikeAtConv: An Integrated Spiking-Convolutional Attention Architecture for Energy-Efficient Neuromorphic Vision Processing
针对SNNs在复杂视觉任务中性能不足的问题，提出集成脉冲-卷积注意力架构SpikeAtConv，通过优化脉冲模块处理视觉时空模式，在标准图像分类基准上缩小了与传统神经网络的性能差距，助力高能效神经形态视觉处理。
2024-11-26 cs.NE
Time-coded Spiking Fourier Transform in Neuromorphic Hardware
经过几十年的不断优化计算系统，摩尔定律正在达到它的目的。然而，对快速高效的处理系统的需求越来越大，这些系统可以处理大数据流，同时减少系统占用空间。类脑计算通过创建随时间推移与二进制事件通信的分散式架构来满足这一需求。尽管在过去的几年里，它的快速增长，新的算法，可以利用这种新兴的计算范式的潜力，并可以刺激先进的neuromorphic chips.In这项工作的设计，我们提出了一个基于时间的脉冲神经网络，这是数学上等价的傅立叶变换。我们在神经形态芯片Loihi中实现了该网络，并使用汽车调频连续波雷达在五种不同的真实场景中进行了实验。实验结果验证了该算法的有效性，并希望它们能促进adhoc神经形态芯片的设计，从而提高现有数字信号处理器的效率，鼓励类脑计算在信号处理方面的研究。
2022-03-31 cs.NE eess.SP
Optimizing the energy consumption of spiking neural networks for neuromorphic applications
aiCTX AG（aiCTX公司）
在过去的几年中，脉冲神经网络已经被证明与常规卷积神经网络表现相当。几项工作已经提出了将预先训练的CNN转换为尖峰CNN而不显著牺牲性能的方法。我们首先证明了CNN的量化感知训练可以提高SNN的准确性。将CNN转换为尖峰CNN的好处之一是利用SNN的稀疏计算，从而以较低的能耗执行等效计算。在这里，我们提出了一个有效的优化策略，训练尖峰网络在较低的能量消耗，同时保持类似的准确性水平。我们展示了MNIST-DVS和CIFAR-10数据集上的结果。
2020-05-04 cs.LG cs.NE q-bio.NC
Bridging Quantized Artificial Neural Networks and Neuromorphic Hardware
本文提出SDANN框架，直接在神经形态硬件上实现量化人工神经网络，无需调参或性能损失，并通过偏置校准和缩放积分方法解决位宽限制，实验证明其精度与量化ANN完全一致，且在真实硬件上验证了可行性。
2025-06-22 cs.NE
NeuromorphicRx: From Neural to Spiking Receiver
VIAVI Marconi Labs, VIAVI Solutions Inc.（VIAVI Marconi实验室，VIAVI解决方案公司）
本文提出了一种基于脉冲神经网络的节能接收机，用于5G-NR系统，通过残差连接和混合架构提升性能，以更低能耗实现更优误码率表现。
2025-12-04 cs.IT cs.NE math.IT
Neuromorphic analog circuits for robust on-chip always-on learning in spiking neural networks
本文设计融合短期模拟动力学、长期三态离散化及迟滞停止学习机制的片上学习电路，并经180 nm CMOS原型芯片验证，可提升脉冲神经网络在噪声与失配下的常开在线学习稳健性。
2023-07-12 cs.NE
A Spiking Sequence Generator for Polar Trajectories on Neuromorphic Hardware
Mechanical & Aerospace Engineering, Case Western Reserve University（机械与航空航天工程，凯斯西储大学）；Mechanical & Aerospace Engineering, West Virginia University（机械与航空航天工程，西弗吉尼亚大学）
研究为尺寸、重量和功率受限系统的神经形态控制器设计脉冲神经网络，用带辅助种群的赢家通吃架构，给出种群动力学调整规则，实现对极坐标轨迹多参数独立控制，在神经形态处理器上有性能优势。
2026-07-07 cs.NE cs.RO
Closed-loop spiking control on a neuromorphic processor implemented on the iCub
Institute of Neuroinformatics, University of Zurich（苏黎世大学神经信息学研究所）；ETH Zurich（苏黎世联邦理工学院）；Istituto Italiano di Tecnologia（意大利技术研究院）
尽管神经形态工程承诺部署低延迟，自适应和低功耗的系统，可以导致真正自主的人工代理的设计，一个完全神经形态的人工代理的发展仍然是失踪。虽然神经形态传感和感知以及决策系统现在已经成熟，但控制和驱动部分仍然落后。在本文中，我们提出了一个闭环电机控制器上实现的混合信号模拟-数字神经形态硬件使用脉冲神经网络。该网络通过使用尖峰关系网络对目标、反馈和误差信号进行编码来执行比例控制动作。它通过连接模式连续计算误差，该模式通过前馈连接将三个变量联系起来。每个种群内的递归连接被用来加速收敛，减少失配的影响，提高选择性。神经形态电机控制器与iCub机器人模拟器连接。我们测试了我们的尖峰P控制器在一个单一的关节控制任务，特别是机器人头部偏航。尖峰控制器发送目标位置，从其编码器读取电机状态，并将电机命令发送回关节。在阶跃响应实验和目标追踪任务中测试了尖峰控制器的性能。在这项工作中，我们优化了网络结构，使其更强大的噪声输入和设备失配，从而导致更好的控制性能。
2020-09-01 cs.ET cs.NE cs.RO
STEMNIST: Spiking Tactile Extended MNIST Neuromorphic Dataset
City University of Hong Kong（香港城市大学）；Hong Kong University of Science and Technology（香港科技大学）
STEMNIST是一个扩展至35个字母数字类别的神经形态触觉数据集，用于评估基于事件的触觉识别性能。
2026-01-04 cs.NE
Conversion of Artificial Recurrent Neural Networks to Spiking Neural Networks for Low-power Neuromorphic Hardware
近年来，功耗低几个数量级的神经形态低功耗系统领域获得了显著的发展势头。然而，由于缺乏能够利用这种架构优势的算法，它们的广泛使用仍然受到阻碍。虽然表示学习算法的神经形态适应正在出现，但时间序列或可变长度输入的有效处理仍然很困难。循环神经网络（RNN）被广泛用于机器学习以解决各种序列学习任务。在这项工作中，我们提出了一种训练和约束方法，使机器学习（Elman）RNN映射到尖峰神经元的基底上，同时与当前和不久的将来的神经形态系统的能力兼容。这种“训练和约束”方法包括首先使用时间反向传播来训练RNN，然后离散化权重，最后通过将人工神经元的响应与尖峰神经元的响应相匹配来将它们转换为尖峰RNN。我们展示了我们的方法，通过映射一个自然语言处理任务（问题分类），在那里我们展示了整个映射过程的递归层的网络IBM的神经突触系统“TrueNorth”，一个尖峰为基础的数字神经形态硬件架构。TrueNorth对连接性、神经和突触参数施加了特定的约束。为了满足这些约束，需要将突触权重和神经活动离散化到16个级别，并将扇入限制为64个输入。我们发现，短的突触延迟足以在问题分类任务中实现RNN的动态（时间）方面。硬件约束模型在问题分类中实现了74%的准确性，同时在一个TrueNorth芯片上使用不到0.025%的内核，估计功耗约为17 uW。
2016-01-16 cs.NE
All-optical neuromorphic binary convolution with a spiking VCSEL neuron for image gradient magnitudes
首次提出并实验证明了光子尖峰垂直腔面发射激光器（VCSEL）神经元的全光二元卷积。从数字图像中提取并使用矩形脉冲进行时间编码的光学输入被注入VCSEL神经元中，VCSEL神经元以发射的快速（<100 ps长）尖峰的数量提供卷积结果。实验和数值结果表明，二进制卷积成功地实现了一个单一的尖峰VCSEL神经元和全光学二进制卷积可以用来计算图像梯度幅度检测边缘特征和分离源图像中的垂直和水平分量。我们还表明，这种全光尖峰二进制卷积系统是强大的噪声，可以与高分辨率图像。此外，所提出的系统提供了重要的优势，如超快的速度，高能效和简单的硬件实现，突出了尖峰光子VCSEL神经元的高速神经形态图像处理系统和未来的光子尖峰卷积神经网络的潜力。
2020-11-09 cs.NE physics.app-ph physics.optics
The Potential of Combined Learning Strategies to Enhance Energy Efficiency of Spiking Neuromorphic Systems
本研究针对神经形态计算系统的能效提升需求，提出融合PSTDP与幂律型STDP的组合学习方法，优化CSNN架构，在保持感知精度的同时减少参数、降低能耗与硬件开销，为高能效类脑计算硬件提供通用框架。
2024-08-13 cs.NE
Improving classification accuracy of feedforward neural networks for spiking neuromorphic chips
IBM Research Australia（IBM澳大利亚研究院）
深度神经网络（DNN）在许多图像分析任务中实现了人类水平的性能，但DNN大多部署在消耗大量功率的GPU平台上。新的硬件平台使用较低精度的算法，实现了大幅降低功耗。最近，受大脑启发的尖峰神经形态芯片已经实现了更低的功耗，在毫瓦的数量级，同时仍然提供实时处理。然而，为了将DNN部署到节能神经形态芯片，需要克服传统DNN的连续神经元和突触权重、神经形态芯片的离散尖峰神经元和突触之间的不兼容性。以前的工作已经通过训练网络来学习连续概率，然后通过随机采样这些概率将其部署到神经形态架构（如IBM TrueNorth Neurosynaptic System）中来实现这一点。本文的主要贡献是一个新的学习算法，学习TrueNorth配置准备部署。我们通过直接训练一个二进制硬件交叉开关来实现这一点，该交叉开关可容纳TrueNorth轴突配置约束，并且我们提出了一个不同的神经元模型。我们的方法在脑电图（EEG）数据上训练的结果显示，与以前的工作相比有了显着的改进（76%对86%的准确率），同时保持了MNIST手写数据集的最新性能。
2017-05-19 cs.CV cs.NE
Spiking neural networks trained with backpropagation for low power neuromorphic implementation of voice activity detection
语音活动检测（VAD）的最新进展是由人工和循环神经网络（RNN）驱动的，然而，在电池供电的设备中使用VAD系统需要进一步的功率效率。这可以通过神经形态硬件来实现，这使得尖峰神经网络（SNN）能够以非常低的能耗执行推理。尖峰网络的特征在于它们能够有效地处理信息，在时间上称为尖峰的稀疏级联二进制事件中。然而，一个很大的性能差距将人工网络与尖峰网络分开，主要是由于缺乏强大的SNN训练算法。为了克服这个问题，我们利用了一个SNN模型，可以将其重新转换为类似于RNN的模型，并使用已知的深度学习技术进行训练。我们描述了一个SNN训练过程，实现低尖峰活动和修剪算法，以消除85%的网络连接，而没有性能损失。与其他方法相比，该模型实现了最先进的性能，功耗仅为一小部分。
2020-04-30 cs.NE eess.AS
Spiking Neural Network on Neuromorphic Hardware for Energy-Efficient Unidimensional SLAM
Rutgers University（罗格斯大学）
高效节能的同时定位与地图构建（SLAM）是移动机器人探索未知环境的关键。哺乳动物的大脑通过一个专门的神经元网络来解决SLAM，表现出异步计算和基于事件的通信，能耗非常低。我们提出了一个大脑启发的脉冲神经网络（SNN）架构，通过引入基于脉冲的参考帧变换，视觉似然计算和贝叶斯推理来解决一维SLAM。我们将我们的神经形态算法集成到英特尔的Loihi神经形态处理器中，这是一种模仿大脑计算模式的非冯·诺依曼硬件。我们对我们的神经形态方法和广泛用于小型环境的GMapping算法之间的准确性和能效进行了比较分析。我们基于Loihi的SNN架构消耗的能量比在CPU上运行的GMapping少100倍，同时在头部方向定位和地图生成方面具有相当的准确性。这些结果为扩展我们的方法为Loihi控制的自主机器人提供主动SLAM替代解决方案铺平了道路。
2019-09-19 cs.NE cs.RO
Robustness from structure: Inference with hierarchical spiking networks on analog neuromorphic hardware
尖峰网络如何能够执行概率推理是一个有趣的问题，不仅对于理解大脑中的信息处理，而且对于将这些计算原理转移到神经形态硅电路。已经提出了一些计算能力强大的尖峰网络模型，但它们中的大多数仅在理想条件下在软件模拟中进行了测试。在模拟物理系统中的任何实现，无论是体内还是计算机模拟，通常都会由于底层衬底的物理特性而导致失真的动态。在本文中，我们讨论了几个这样的失真的影响，很难或不可能消除经典的校准例程或参数训练。然后，我们认为，分层网络的泄漏集成和消防神经元可以提供所需的物理实现的鲁棒性，并证明这与软件模拟和仿真的加速模拟neuromorphic设备。
2017-03-12 cs.NE q-bio.NC stat.ML
Controlling the latency in temporal coded spiking models for neuromorphic datasets
本研究针对神经形态数据集，提出通过分析控制延迟的延迟神经网络（DeNN）模型，在动态时间数据集上实证研究了其延迟-准确率权衡，解决了TTFS模型未测试时间数据集及延迟未知的问题。
2026-11-09 cs.NE
Spiking and Event-driven Neuromorphic Mamba Models for Efficient Speech Recognition
University of California, Berkeley（加州大学伯克利分校）；Tsinghua University（清华大学）
提出脉冲和事件驱动的神经形态Mamba模型，通过激活稀疏性提升语音识别效率，在LibriSpeech上实现超过60%的激活稀疏性且精度损失小于1%，并开发周期精确的事件驱动模拟器实现算法-硬件协同优化。
2026-05-31 cs.NE cs.SD
A Bibliometric Review of Neuromorphic Computing and Spiking Neural Networks
本文通过文献计量方法系统梳理近22年神经形态计算与脉冲神经网络领域的研究趋势、核心文献、合作网络及主题演变，为AI研究者提供入门指引并展望脉冲计算前景。
2023-04-14 cs.NE
POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with Integer Quadratic Integrate-and-Fire Neurons
National Tsing Hua University（清华大学）
人类大脑作为一个生物处理系统的内部运作在很大程度上仍然是一个谜。受人脑功能的启发，并基于对其他物种（如果蝇）中简单神经网络系统的分析，类脑计算系统引起了人们的极大兴趣。在细胞水平的连接组学研究中，我们可以识别生物神经网络的特征，即种群，它不仅构成网络中循环的全连接，而且构成每个神经元中的一个外部刺激和自连接。脉冲神经网络依靠网络中脉冲传输和输入数据的低数据带宽，实现了低延迟、低功耗的设计。在这项研究中，我们提出了一个可配置的人口为基础的数字尖峰神经形态处理器在180纳米工艺技术与两个可配置的层次人口。此外，处理器中的这些神经元可以被配置为新颖的模型，整数二次积分和激发神经元模型，其包含无符号的8位膜电位值。处理器可以实时实现智能决策。此外，所提出的方法使仿生神经形态系统和各种低功耗，低延迟的推理处理应用的发展。
2022-01-19 cs.AI cs.NE
Neuromorphic Circuits with Spiking Astrocytes for Increased Energy Efficiency, Fault Tolerance, and Memory Capacitance
本文提出在尖峰神经网络中集成漏电积分激发星形胶质细胞（LIFA）模型，通过集群式星形胶质细胞电路实现自我修复，显著提升容错性（81.10%）和韧性（18.90%），并优化能效与内存管理，为先进神经形态计算提供稳健方案。
2025-02-27 cs.NE
In-Hardware Learning of Multilayer Spiking Neural Networks on a Neuromorphic Processor
虽然在机器学习中广泛使用，但反向传播不能直接应用于SNN训练，并且在模拟生物神经元和突触的神经形态处理器上不可行。这项工作提出了一种基于尖峰的反向传播算法与生物合理的本地更新规则，并适应它，以适应在神经形态硬件的约束。该算法在Intel Loihi芯片上实现，实现了移动应用中多层SNN的低功耗硬件监督在线学习。我们在MNIST，Fashion-MNIST，CIFAR-10和MSTAR数据集上测试了这种实现，具有良好的性能和能源效率，并证明了增量在线学习的可能性。
2021-05-08 cs.DC cs.ET cs.NE
MT-Spike: A Multilayer Time-based Spiking Neuromorphic Architecture with Temporal Error Backpropagation
现代深度学习使能的人工神经网络，例如深度神经网络（DNN）和卷积神经网络（CNN），已经在广泛的识别应用上取得了一系列突破性的记录。然而，与这种深度和复杂的神经网络模型相关联的巨大计算和存储需求极大地挑战了它们在资源有限的平台上的实现。基于时间的脉冲神经网络是类脑计算系统设计中的一个很有前途的解决方案，它可以在单个芯片内实现显著的计算效率和功耗效率。然而，相关的研究活动一直狭隘地集中在生物相容性和理论学习方法，导致低效的神经处理和不切实际的多层扩展，从而显着限制了处理现实认知任务的速度和准确性。在这项工作中，一个实用的多层基于时间的尖峰神经形态架构，即“MT尖峰”，开发，以填补这一空白。与建议的实际时间编码方案，平均延迟响应模型，时间误差反向传播算法，和启发式损失函数，“MT-尖峰”实现更有效的神经处理，通过灵活的神经模型的大小减少，同时提供非常有竞争力的分类精度为现实的识别任务。仿真结果很好地验证了深度多层学习的算法能力可以与基于时间的尖峰神经形态架构的效率无缝融合，展示了“MT-Spike”在资源和功耗受限的嵌入式平台中的巨大潜力。
2018-03-14 cs.NE q-bio.NC
Scalable Network Emulation on Analog Neuromorphic Hardware
针对BrainScaleS-2平台提出分区仿真功能，使超规模深度脉冲神经网络可训练，并在MNIST和EuroSAT数据集上验证，推进大规模神经形态计算。
2024-11-06 cs.NE
Spiking Neural Networks for Continuous Control: Neuromorphic Reinforcement Learning in Conventional Computing
New Mexico Institute of Mining and Technology（新墨西哥矿业技术学院）；The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
该研究提出SANSAC算法，在传统硬件上验证其性能与SAC近乎相当，证明基于脉冲神经网络的算法可用于复杂连续环境，为神经形态强化学习研究奠定了基础。
2026-08-25 cs.LG cs.NE
Large-Scale Neuromorphic Spiking Array Processors: A quest to mimic the brain
神经形态工程（NE）包括各种各样的方法来信息处理的灵感来自神经生物系统，这一特点区别于传统的计算系统的神经形态系统。大脑已经进化了数十亿年，通过使用高效，并行，低功耗的计算来解决困难的工程问题。NE的目标是设计能够进行类脑计算的系统。最近出现了许多大规模的神经形态项目。这一跨学科领域被麻省理工学院技术评论列为2014年十大技术突破之一，并被世界经济论坛列为2015年十大新兴技术之一。我们有两个目标：第一，科学目标是通过使用集成电路（IC）中实现的模型来理解生物神经系统的计算特性;第二，工程目标是利用生物系统的已知特性来设计和实现用于工程应用的有效设备。构建硬件神经模拟器对于模拟大规模神经模型来解释大脑中智能行为是如何产生的非常有用。神经形态仿真器的主要优点是它们是高能效的、并行的和分布式的，并且需要小的硅面积。因此，与传统CPU相比，这些神经形态仿真器在许多工程应用中是有益的，例如用于移植深度学习算法以用于各种任务。在这篇综述文章中，我们描述了一些最重要的神经形态尖峰模拟器，比较了它们使用的不同架构和方法，说明了它们的优点和缺点，并强调了每个可以提供给神经建模器的功能。
2018-05-23 cs.NE
Run-time Mapping of Spiking Neural Networks to Neuromorphic Hardware
在本文中，我们提出了一种设计方法来分区和映射的神经元和突触的在线学习SNN为基础的应用程序在{运行时间}的神经形态架构。我们的设计方法分为两个步骤-步骤1是一个逐层贪婪的方法，将SNN划分为神经元和突触的集群，并结合神经形态架构的约束，步骤2是一个爬山优化算法，最大限度地减少集群之间的总尖峰通信，提高架构的共享互连的能耗。我们进行实验，以评估我们的算法使用合成和现实SNN为基础的应用程序的可行性。我们证明，我们的算法减少了SNN映射时间平均780倍相比，一个国家的最先进的设计时基于SNN分区的方法，只有6.25%的解决方案的质量较低。
2020-06-11 cs.ET cs.NE
ViT-LCA: A Neuromorphic Approach for Vision Transformers
本文提出ViT-LCA模型，将视觉Transformer与局部竞争算法LCA结合，在ImageNet-1K上以更低能耗实现更高准确率，并更易部署于神经形态硬件。
2025-04-13 cs.ET cs.NE
ST-MNIST -- The Spiking Tactile MNIST Neuromorphic Dataset
National University of Singapore（新加坡国立大学）
触觉感知是智能机器人的一种基本形式，因为它使它们能够灵活地与环境中的物理对象进行交互。电子皮肤的最新进展已经导致开发了利用这种重要的感觉模态的数据驱动的机器学习方法。然而，用于训练这种算法的当前数据集限于标准同步触觉传感器。缺乏基于神经形态事件的触觉数据集，主要是由于缺乏大规模的基于事件的触觉传感器。拥有这样的数据集对于开发和评估处理基于时空事件的数据的新算法至关重要。例如，在传统的基于帧的数据集上评估脉冲神经网络被认为是次优的。在这里，我们首次推出了一种新的神经形态尖峰触觉MNIST（ST-MNIST）数据集，其中包括手写数字由人类参与者在神经形态触觉传感器阵列上书写。我们还描述了一个初步的努力，以评估我们的ST-MNIST数据集使用现有的人工和脉冲神经网络模型。本文提供的分类精度可以作为未来工作的性能基准。我们预计，我们的ST-MNIST数据集将是感兴趣的和有用的神经形态和机器人研究社区。
2020-05-08 cs.CV cs.HC cs.NE
Spiking neuromorphic chip learns entangled quantum states
人工神经网络对量子态的逼近在过去几年中得到了广泛的关注。与此同时，模拟神经形态芯片，灵感来自生物大脑的结构和动力学特性，在运行人工神经网络架构时显示出高能效，以利于生成应用。这鼓励采用这样的硬件系统作为量子系统模拟的平台。在这里，我们报告了使用最新的基于尖峰的BrainScaleS硬件实现原型，使我们能够表示具有高分辨率的几个量子比特最大纠缠量子态。模拟硬件很好地捕获了纯和混合双量子比特态的Bell相关性，证明了用尖峰神经形态芯片模拟量子系统的重要构建块。
2021-10-25 cond-mat.dis-nn cs.ET cs.NE
Versatile emulation of spiking neural networks on an accelerated neuromorphic substrate
我们提出了第一个实验结果的新的BrainScaleS-2神经形态架构的基础上模拟神经突触核心和增强的嵌入式微处理器的复杂的可塑性和实验控制。与生物动力学相比，1000的高加速因子使得能够执行计算上昂贵的任务，通过允许快速仿真长时间实验或在许多连续试验中快速迭代。我们的架构的灵活性证明了一套五个不同的实验，强调不同方面的BrainScaleS-2系统。
2022-05-09 cs.NE q-bio.NC
Compiling Spiking Neural Networks to Mitigate Neuromorphic Hardware Constraints
脉冲神经网络（SNN）是在资源和功耗受限的平台上进行时空模式识别的有效计算模型。在神经形态硬件上执行的SNN可以进一步降低这些平台的能耗。随着模型大小和复杂性的增加，将基于SNN的应用映射到基于瓦片的神经形态硬件变得越来越具有挑战性。这归因于神经突触核心的限制，即交叉杆，仅容纳每个突触后神经元的固定数量的突触前连接。对于具有许多神经元和每个神经元的突触前连接的复杂的基于SNN的模型，（1）在训练之后可能需要修剪连接以适应交叉开关资源，从而导致模型质量的损失，例如，准确性，以及（2）神经元和突触需要被划分并放置在硬件的神经-突触核上，这可能导致延迟和能耗增加。在这项工作中，我们提出了（1）一种新的展开技术，将具有许多突触前连接的神经元功能分解为一系列同质神经元单元，以显着提高交叉杆利用率并保留所有突触前连接，以及（2）SpiNeMap，一种新的方法，将SNN映射到神经形态硬件上，旨在最大限度地减少能耗和尖峰延迟。
2020-11-27 cs.AR cs.NE
Resonant tunnelling diode nano-optoelectronic spiking nodes for neuromorphic information processing
在这项工作中，我们介绍了一种光电尖峰人工神经元能够在超快的速度（$\approx$ 100 ps/光尖峰）和低能耗（$<$ pJ/尖峰）。所提出的系统结合了一个可激发的共振隧穿二极管（RTD）元件表现出负微分电导，耦合到一个纳米级光源（形成一个主节点）或一个光电探测器（形成一个接收器节点）。我们数值研究的尖峰动力学响应和信息传播功能的互连主接收RTD节点系统。使用脉冲阈值和积分的关键功能，我们利用单个节点对顺序脉冲模式进行分类，并执行卷积功能以进行图像特征（边缘）识别。我们还展示了一个光学互连的尖峰神经网络模型，用于以超过10 Gbps的速度处理时空数据，具有很高的推理精度。最后，我们展示了一种片外监督学习方法，利用尖峰时间依赖可塑性的RTD使能的光子尖峰神经网络。这些结果证明了RTD尖峰节点的潜力和可行性，低足迹，低能量，高速光电实现的神经形态硬件。
2021-11-19 cs.ET cs.NE physics.app-ph
NeuroPod: a real-time neuromorphic spiking CPG applied to robotics
Universidad de Sevilla（塞维利亚大学）；Universidad de Cádiz（加的斯大学）
最初，机器人的开发旨在使我们的生活更轻松，为人类执行重复或危险的任务。虽然它们能够执行这些任务，但最新一代的机器人正在设计更进一步，通过执行迄今为止由智能动物或人类执行的更复杂的任务。为此，需要从生物学的例子中汲取灵感。例如，昆虫能够最佳地解决复杂的环境导航问题，许多研究人员已经开始模仿这些昆虫的行为。最近的兴趣在神经形态工程促使我们提出了一个实时的【形】，神经形态，尖峰为基础的中央模式发生器的应用在神经机器人，使用节肢动物般的机器人。设计了一个脉冲神经网络，并在SpiNNaker上实现。该网络模拟了一个复杂的，在线改变能力的中央模式发生器，产生三个步态的六足机器人运动。可重构硬件用于管理机器人的电机和与脉冲神经网络的实时的【形】通信接口。实时的【形】测量证实了模拟结果，运动测试表明NeuroPod可以在没有任何平衡损失或增加延迟的情况下执行步态。
2019-04-25 cs.NE cs.RO
Reinforcement co-Learning of Deep and Spiking Neural Networks for Energy-Efficient Mapless Navigation with Neuromorphic Hardware
Computational Brain Lab, Department of Computer Science, Rutgers University（罗格斯大学计算机科学系计算大脑实验室）
节能的无地图导航对于移动机器人来说至关重要，因为它们在有限的机载资源下探索未知环境。虽然最近的深度强化学习（DRL）方法已成功地应用于导航，但其高能耗限制了其在几个机器人应用中的使用。在这里，我们提出了一种神经形态的方法，结合了脉冲神经网络的能量效率与DRL的最优性，并在无地图导航的学习控制策略中进行基准测试。我们的混合框架，尖峰深度确定性策略梯度（SDDPG），由尖峰演员网络（SAN）和深度评论家网络，其中两个网络使用梯度下降联合训练。共同学习使两个网络之间的协同信息交换成为可能，使它们能够通过共享的表示学习克服彼此的局限性。为了评估我们的方法，我们在英特尔的Loihi神经形态处理器上部署了经过训练的SAN。当在模拟和真实世界的复杂环境中进行验证时，与Jetson TX2上的DDPG相比，我们在Loihi上的方法每次推理消耗的能量减少了75倍，并且还表现出更高的成功导航率，范围从1%到4.2%，并取决于前向传播时间步长。这些结果加强了我们正在进行的努力，设计大脑启发的算法，用于控制具有神经形态硬件的自主机器人。
2020-07-31 cs.LG cs.NE cs.RO
Accurate Mapping of RNNs on Neuromorphic Hardware with Adaptive Spiking Neurons
本文提出一种基于ΣΔ调制的自适应脉冲神经元lpRNN架构，实现RNN到SNN的精确映射，并在Loihi芯片上以3位权重达到音频基准最先进分类结果。
2024-07-18 cs.NE eess.AS
Adaptive Spiking with Plasticity for Energy Aware Neuromorphic Systems
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出ASPEN，通过训练时对神经元阈值施加随机扰动并自适应调整神经元内在参数，在保持准确率的同时显著降低神经形态系统的脉冲数量和能耗，为资源受限的常开可穿戴设备提供轻量级动态能量控制方案。
2025-08-11 cs.AI cs.NE q-bio.NC
Mapping high-performance RNNs to in-memory neuromorphic chips
机器学习应用对紧凑和低功耗计算解决方案的需求日益增长，引发了对节能神经形态系统的极大兴趣。然而，这些架构中的大多数依赖于脉冲神经网络，其在准确性方面与其非脉冲对应物相比通常表现较差。在本文中，我们提出了一个新的自适应尖峰神经元模型，可以抽象为一个低通滤波器。这种抽象可以使用反向传播更快更好地训练尖峰网络，而无需模拟尖峰。我们表明，该模型显着提高了递归神经网络的推理性能，并验证了三个复杂的时空学习任务：时间添加任务，时间复制任务，和口语短语识别任务。我们估计，与流行的嵌入式微处理器Cortex-M4相比，在兼容的神经形态芯片上使用我们的模型至少可以提高500倍的能效。
2019-12-20 cs.ET cs.NE eess.SP
Spiking Neural Networks -- Part III: Neuromorphic Communications
无线通信和人工智能之间的协同作用正日益激励着这两个领域交叉点的研究。一方面，越来越多的无线连接设备的存在，每个设备都有自己的数据，正在推动将机器学习（ML）的进步从高性能计算设施（其中信息在单个位置存储和处理）输出到最终用户的分布式隐私意识处理。另一方面，ML可以解决通信协议优化中的算法和模型缺陷。然而，在通过带宽受限通道连接的电池供电设备上实现用于学习和推理的ML模型仍然具有挑战性。本文探讨了两种方式，其中脉冲神经网络（SNN）可以帮助解决这些开放的问题。首先，我们讨论了联邦学习的SNN的分布式训练，然后描述了集成的神经形态传感，SNN和脉冲无线电技术的低功耗远程推理。
2020-12-09 cs.LG cs.NE eess.SP
Event-Driven Contrastive Divergence for Spiking Neuromorphic Systems
受限玻尔兹曼机（RBM）和深度信念网络已被证明在各种应用中有效地执行，例如降维，特征学习和分类。它们在模拟大规模尖峰神经元网络的神经形态硬件平台上的实现可以从可扩展性、功耗和与环境的实时接口的角度具有显著的优势。然而，传统的RBM架构和常用的训练算法（称为对比发散（CD））是基于离散更新和精确运算，不直接映射到动态神经基板。在这里，我们提出了一个事件驱动的变化CD训练的RBM构建与整合和消防（I&F）神经元，这是由现有的和不久的将来的神经形态硬件平台的限制。我们的策略是基于神经采样，这使我们能够合成一个脉冲神经网络，从目标玻尔兹曼分布的样本。网络的循环活动取代了CD算法的离散步骤，而尖峰时间依赖可塑性（STDP）以在线异步方式进行权重更新。我们通过训练由具有STDP突触的泄漏I&F神经元组成的RBM来学习MNIST手写数字数据集的生成模型，并通过在识别，生成和提示集成任务中对其进行测试来证明我们的方法。我们的研究结果有助于机器学习驱动的方法，用于合成能够执行实用的高级别功能的尖峰神经元网络。
2013-12-09 cs.NE q-bio.NC
Neuromorphic Graph Anomaly Detection via Adaptive STDP and Spiking Graph Neural Networks
School of ICT, Griffith University, Australia（信息科技学院，格里菲斯大学，澳大利亚）
本文提出ASTDP-GAD框架，结合脉冲图神经网络与STDP学习，实现动态网络中的高效异常检测，通过自适应LIF动态、图注意力、超图记忆等创新方法提升检测精度与能效。
2026-04-29 cs.LG cs.NE
Neuromorphic Processing and Sensing: Evolutionary Progression of AI to Spiking
University of Strathclyde（思克莱德大学）
随着机器学习和深度学习应用的不断增长，需要更多的计算资源来成功满足始终连接的自动化世界不断增长的需求。基于脉冲神经网络算法的神经形态技术有望通过对人脑的功能和尖峰进行建模，使用一小部分计算和功率需求来实现高级人工智能。随着帮助数据科学家和机器学习工程师开发人工和深度神经网络的最新创新的工具和平台的激增，向新范式的过渡将需要在当前完善的基础上进行构建。本文阐述了基于尖峰信号的神经形态技术的理论工作原理，并综述了硬件处理器、软件平台和神经形态传感设备的最新进展。为当前的机器学习专家铺平了一条发展道路，以更新他们的技能，以及从当前一代深度神经网络到SNN的分类或预测模型。这可以通过利用SpiNNaker和Nengo迁移工具包形式的现有专用硬件来实现。第一手，VGG-16神经网络转换为SNN的实验结果是共享的。一个前瞻性的目光到工业，医疗和商业应用，可以很容易地受益于SNN结束了这项调查到类脑计算的未来。
2020-07-10 cs.AI cs.CV cs.LG
Neuromorphic Deployment of Spiking Neural Networks for Cognitive Load Classification in Air Traffic Control
本研究针对空中交通管制场景的认知负荷分类问题，提出基于脉冲神经网络的神经形态系统，经量化部署在DYNAP-SE芯片上仍达73.5%准确率，验证了超低功耗嵌入式认知状态监测的可行性。
2025-10-03 cs.NE cs.SY eess.SY
A Spiking Central Pattern Generator for the control of a simulated lamprey robot running on SpiNNaker and Loihi neuromorphic boards
Technical University of Munich（慕尼黑工业大学）；fortiss - Research Institute of the Free State of Bavaria（巴伐利亚自由州fortiss研究所）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University of Waterloo（滑铁卢大学）
中央模式发生器（CPG）模型长期以来一直被用于研究动物运动的神经机制以及机器人研究的工具。在这项工作中，我们提出了一个尖峰CPG神经网络和它的实现神经形态硬件作为一种手段来控制模拟七鳃鳗模型。为了构建我们的CPG模型，我们采用了通过使用神经工程框架（NEF）中的递归神经种群而产生的自然出现的动力系统。我们定义了我们的模型背后的数学公式，该模型由一个由高电平信号调制的耦合抽象振荡器系统组成，能够产生各种输出步态。我们表明，中央模式发生器模型的数学公式，该模型可以变成一个脉冲神经网络（SNN），可以很容易地模拟Nengo，SNN模拟器。然后使用脉冲CPG模型来产生模拟七鳃鳗机器人模型在各种情况下的游泳步态。我们表明，通过修改输入到网络，这可以提供的感官信息，机器人可以动态控制的方向和步伐。所提出的方法可以推广到其他类型的CPG适合工程应用和科学研究。我们在两个神经形态平台上测试我们的系统，SpiNNaker和Loihi。最后，我们表明，这一类的尖峰算法显示出很有前途的潜力，利用神经形态硬件的理论优势，在能源效率和计算速度。
2021-01-18 cs.NE cs.RO
A spiking neural algorithm for the Network Flow problem
目前尚不清楚神经形态硬件在机器学习和神经科学之外的潜力。在这个项目中，一个问题是固有的难以完全实现的神经形态硬件通过引入一个新的机器模型，其中传统的图灵机和神经形态预言机一起工作，以解决此类问题。我们表明，P-完全最大网络流问题是棘手的模型，其中的预言可以只咨询一次（“运行和运行”模型），但变得易于处理的使用交互式（“神经形态协处理器”）模型的计算。更具体地说，我们表明，一个对数空间约束的图灵机访问一个交互式的神经形态预言与线性空间，时间和能量的限制，可以解决最大网络流。该算法的一个修改变体在英特尔Loihi芯片上实现;英特尔实验室开发的神经形态众核处理器。我们表明，通过卸载的神经形态处理器的增强路径的搜索，我们可以得到能源效率的收益，而不牺牲运行时资源。这一结果表明，P-完全问题可以映射到神经形态架构在理论上和潜在的实际有效的方式。
2019-11-29 cs.CC cs.NE
Computing with hardware neurons: spiking or classical? Perspectives of applied Spiking Neural Networks from the hardware side
虽然经典神经网络在机器学习领域占据领先地位，但尖峰神经形态系统引起了神经科学的关注和大型项目。脉冲神经网络被证明能够在应用任务中替代经典神经元网络。这项工作探讨了最近的硬件设计，重点是从能源效率方面为两种神经元类型的前景应用（如卷积神经网络），以分析是否有可能为尖峰神经形态硬件成长为更广泛的使用。我们的比较表明，尖峰硬件至少在相同的能源效率水平上，甚至在基本操作水平上高于非尖峰硬件。然而，在系统级别上，由于具有长系列尖峰的低效数据表示，尖峰系统被胜过并且消耗更多的能量。如果开发出最小化尖峰数量的尖峰驱动应用，则尖峰神经系统可以达到经典神经系统的能量效率水平。然而，在不久的将来，这两种类型的神经形态系统可能会受益于新兴的存储器技术，最大限度地减少两种神经元类型的计算和存储器的能耗。这将使基础设施和数据传输能源在系统层面占据主导地位。我们预计尖峰神经元有一些好处，这将允许实现更好的能量结果。然而，大量尖峰的问题仍然是尖峰硬件系统的主要瓶颈。
2016-04-06 cs.NE
UniSpike: Accelerating Spiking Neural Networks on Neuromorphic Systems via Eliminating Address Redundancy
Zhejiang University（浙江大学）
针对多核神经形态系统中脉冲数据包重复传输目标地址导致的流量和能耗开销问题，提出硬件-软件协同设计的UniSpike，通过将发往同一核的脉冲聚合为紧凑数据包，结合目标中心调度、轻量级运行时打包硬件和目标感知的SNN划分，平均减少1.93倍流量，实现1.77倍加速和1.50倍能效提升。
2026-05-22 cs.AR cs.NE
