arXiv 2102.125652021-02-24eess.SP

用于放射性同位素识别的卷积脉冲神经网络的FPGA实现

An FPGA Implementation of Convolutional Spiking Neural Networks for Radioisotope Identification

Xiaoyu Huang, Edward Jones, Siru Zhang, Shouyu Xie, Steve Furber, Yannis Goulermas, Edward Marsden, Ian Baistow, Srinjoy Mitra, Alister Hamilton

备注：: 5 pages, 10 FIGURES, IEEE ISCAS 2021

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文详细介绍了卷积尖峰神经网络（CSNN）的FPGA实现方法，并将此方法应用于使用高分辨率数据的低功耗放射性同位素识别。功耗为75 mW的CSNN的FPGA实现上已经实现，与90.62%的合成数据集上的推理精度。提出了芯片验证方法。通过使用SpiNNaker神经形态平台评估SNN参数来加速原型制作。

英文摘要：

This paper details the FPGA implementation methodology for Convolutional Spiking Neural Networks (CSNN) and applies this methodology to low-power radioisotope identification using high-resolution data. Power consumption of 75 mW has been achieved on an FPGA implementation of a CSNN, with an inference accuracy of 90.62% on a synthetic dataset. The chip validation method is presented. Prototyping was accelerated by evaluating SNN parameters using SpiNNaker neuromorphic platform.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于脉冲神经网络的FPGA低功率放射性同位素识别

Spiking Neural Network Based Low-Power Radioisotope Identification using FPGA

本文提出了一种基于脉冲神经网络（SNN）的低功耗放射性同位素识别设计的详细方法。在FPGA上实现了72 mW的低功耗，在10 cm测试距离和25 cm测试距离下的推理精度分别为100%和97%。给出了设计验证和芯片验证的方法。它还讨论了SNN模拟SpiNNaker的快速原型和各种考虑特定的应用程序，如测试距离，集成时间，SNN超参数的选择。

2020-10-25eess.SP

一种紧凑的在线学习脉冲神经形态生物信号处理器

A Compact Online-Learning Spiking Neuromorphic Biosignal Processor

可穿戴设备上的实时生物信号处理因其在医疗保健应用中的潜力而引起了全世界的关注。然而，低面积、低功耗和对不同患者的高适应性的要求对传统的算法和硬件平台提出了挑战。在这个设计中，提出了一个紧凑的在线学习神经形态硬件架构，具有超低功耗设计明确的生物信号处理。采用基于迹的发放时间依赖可塑性（STDP）算法实现了单层兴奋抑制发放神经网络的硬件友好在线学习。采用事件驱动架构和优化迭代计算方法等技术，最大限度地降低了在线学习硬件实现的硬件利用率和功耗。实验结果表明，所提出的设计达到了87.36%和83%的美国国家标准与技术研究所混合数据库（MNIST）和心电图分类的准确率。硬件架构在Zynq-7020 FPGA上实现。实现结果表明，查找表（LUT）和触发器（FF）的利用率分别降低了14.87和7.34倍，功耗降低了21.69%，与最先进的。

2022-09-26eess.SP

面向光通信的优化型基于SNN的DFE的高效FPGA实现

Efficient FPGA Implementation of an Optimized SNN-based DFE for Optical Communications

本研究针对光通信场景，探索基于脉冲神经网络（SNN）的判决反馈均衡器（DFE）的设计空间以降低计算复杂度，实现了高效FPGA部署，在吞吐量相当的前提下性能优于ANN-based DFE且能效提升25倍。

2024-09-13eess.SP

类脑FPGA设计用于数字信号处理

Neuromorphic FPGA Design for Digital Signal Processing

University of North Dakota（北达科他大学）

本文提出利用类脑计算技术在FPGA上实现数字信号处理，通过实验验证其在低延迟和持续学习方面的优势，同时指出其在功耗提升与数值精度之间的权衡。

2026-01-11cs.NEeess.SP

采用学习式编码的差分时间表示脉冲神经网络加速器架构

Spiking Neural Network Accelerator Architecture for Differential-Time Representation using Learned Encoding

针对脉冲神经网络的数据编码与硬件高效处理问题，本文提出将编码融入学习过程的方案，并基于差分时间表示设计解耦脉冲与处理时间的硬件架构，实现了仅用LIF神经元、MNIST准确率超99%且可在中等规模FPGA上以低于295微秒推理运行的前馈SNN。

2025-01-14cs.NEeess.SP

面向SoC FPGA的硬件加速事件图神经网络用于低延迟时间序列分类

Hardware-Accelerated Event-Graph Neural Networks for Low-Latency Time-Series Classification on SoC FPGA

Graduate School of Science and Technology（科学与技术研究生院）；Embedded Vision Systems Group, Computer Vision Laboratory（嵌入式视觉系统组，计算机视觉实验室）；AGH University of Krakow（克拉科夫AGH大学）；CEA-List, Université Grenoble Alpes（CEA-List，格勒诺布尔阿尔卑斯大学）

本文提出一种硬件加速的事件图神经网络，用于在SoC FPGA上实现低延迟的时间序列分类，通过人工耳蜗模型将输入信号转换为稀疏事件数据，减少计算量，并在Spiking Heidelberg Digits数据集上取得高精度结果。

2025-03-09cs.AIcs.LGeess.SP

更多相关论文收起更多论文

随机尖峰注意力：在脉冲网络中利用随机计算加速注意力机制

Stochastic Spiking Attention: Accelerating Attention with Stochastic Computing in Spiking Networks

King’s College London（伦敦国王学院）

本文提出利用随机计算在脉冲Transformer中高效执行点积注意力，在CIFAR-10上达到83.53%准确率，并显著降低能耗、存储访问、延迟和功耗。

2024-02-14cs.AIcs.ARcs.LG

CMOS电路实现基于片上无监督STDP学习的脉冲神经网络模式识别

CMOS Circuit Implementation of Spiking Neural Network for Pattern Recognition Using On-chip Unsupervised STDP Learning

高速、低功耗的大数据量计算需要高能效的计算架构。与传统的人工神经网络（ANN）相比，具有生物启发的尖峰时间依赖可塑性学习（STDP）的尖峰神经网络（SNN）是一种有前途的节能神经形态系统解决方案。先前关于SNN与STDP学习的工作主要使用难以制造的忆阻器件。SNN的一些报告的工作利用忆阻器宏模型，这是基于软件的，不能提供完整的洞察电路实现的挑战。本文首次提出了SNN系统的完整电路级实现，该系统采用标准CMOS技术进行片上无监督STDP学习。它不涉及使用FPGA，CPU或GPU来训练神经网络。我们展示了完整的电路级设计，实施和模拟的SNN与片上训练和推理模式分类使用180 nm CMOS工艺。提出的SNN电路与以前的相关工作进行了全面的比较。为了证明CMOS突触电路对于需要基于速率的学习的应用场景的多功能性，我们已经调整了基于对的STDP电路以获得Bienenstock-Cooper-Munro（B-S）特性，并将其应用于心率分类。

2022-04-09cs.SYeess.IVeess.SP

EdgeDRNN：实现低延迟递归神经网络边缘推理

EdgeDRNN: Enabling Low-latency Recurrent Neural Network Edge Inference

本文提出了一种基于门控递归单元（GRU）的递归神经网络（RNN）加速器EdgeDRNN，旨在用于便携式边缘计算。EdgeDRNN采用脉冲神经网络启发的Delta网络算法来利用RNN中的时间稀疏性。它将片外存储器访问减少了10倍，精度损失可容忍。在一个1000万参数的2层GRU-RNN上进行的实验结果显示，EdgeDRNN在0.5 ms内计算出权重。在入门级USB供电的FPGA板上使用2.42 W的墙上插头电源，它实现的延迟与92 W的Nvidia 1080 GPU相当。它在延迟方面比NVIDIA Jetson Nano、Jetson TX 2和Intel Neural Compute Stick 2高出6倍。对于批量大小为1，EdgeDRNN实现了20.2 GOp/s的平均有效吞吐量和比所有其他平台高出4倍以上的墙壁插头电源效率。

2020-07-28eess.SP

使用解耦处理时间的差分时间编码SNN架构

SNN Architecture for Differential Time Encoding Using Decoupled Processing Time

提出一种轻量级SNN神经元层架构，通过差分时间编码和解耦处理时间与脉冲时序，实现网络到数字硬件的直接映射，在FPGA上支持超1000个神经元且4位宽下仍保持高精度推理。

2023-11-24eess.SP

面向激光粉末床熔融工艺异常检测的神经形态计算

Neuromorphic computing for anomaly detection in a laser powder bed fusion process

本研究首次将脉冲神经网络应用于激光粉末床熔融增材制造的异常检测，通过调整脉冲延迟优化检测效果，验证了低功耗神经形态芯片在该场景边缘部署的可行性并搭建了工艺框架。

2025-10-22eess.SP

面向医疗保健和生物医学应用的深度网络加速器的硬件实现

Hardware Implementation of Deep Network Accelerators Towards Healthcare and Biomedical Applications

James Cook University（詹姆斯库克大学）；The University of Michigan（密歇根大学）；ETH Zurich（苏黎世联邦理工学院）；Universidad de Sevilla（塞维利亚大学）

专用深度学习（DL）加速器和神经形态处理器的出现为将深度和脉冲神经网络（SNN）算法应用于边缘的医疗保健和生物医学应用带来了新的机会。这可以促进医疗物联网（IoT）系统和护理点（IoT）设备的发展。在本文中，我们提供了一个教程，描述了各种技术，包括新兴的忆阻器件，现场可编程门阵列（FPGA），互补金属氧化物半导体（CMOS）可以用来开发高效的DL加速器，以解决各种各样的诊断，模式识别，和信号处理问题的医疗保健。此外，我们探讨如何尖峰神经形态处理器可以补充他们的DL同行处理生物医学信号。该教程是增加了大量的文献案例研究神经网络和神经形态硬件应用于医疗保健领域。我们通过执行将肌电图（EMG）信号与计算机视觉相结合的传感器融合信号处理任务，对各种硬件平台进行基准测试。在推理延迟和能量方面，对专用神经形态处理器和嵌入式AI加速器进行了比较。最后，我们提供了我们对该领域的分析，并分享了各种加速器和神经形态处理器引入医疗保健和生物医学领域的优势，劣势，挑战和机遇的观点。

2021-04-28cs.ARcs.LGeess.SP

采用差分时间编码的轻量级仅含LIF的SNN加速器

Lightweight LIF-only SNN accelerator using differential time encoding

针对SNN时间特性难以适配现有硬件的问题，提出仅含LIF的前馈SNN加速器及差分时间编码，在MNIST上实现超过99%准确率，并验证FPGA与7nm ASIC的低延迟推理。

2025-05-16cs.NEeess.SP

基于 Spiketrum 算法的通用神经形态传感器：硬件细节与实际应用

A General-Purpose Neuromorphic Sensor based on Spiketrum Algorithm: Hardware Details and Real-life Applications

本文提出 Spiketrum 算法的面积优化硬件实现，通过减少 BRAMs、DSP slices 和 LUTs 占用，在 FPGA 和 TSMC180 IC 上验证了其在声音和 ECG 分类等实际应用中的有效性，为功率敏感的神经形态系统提供了灵活可扩展的解决方案。

2026-10-14cs.SYeess.ASeess.SP