YANA: Bridging the Neuromorphic Simulation-to-Hardware Gap
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Infineon Technologies(英飞凌科技)
YANA通过提供可访问的硬件和软件框架,解决神经形态计算中的模拟到硬件差距问题,展示了其在稀疏性利用方面的性能。
2026-04-03 cs.AR cs.NE
Neuromorphic Intermediate Representation: A Unified Instruction Set for Interoperable Brain-Inspired Computing
本文提出神经形态中间表示(NIR),通过统一的混合系统原语抽象离散化与硬件差异,在7个模拟器和4个硬件平台上复现多种脉冲神经网络模型,实现神经形态软硬件解耦与跨平台互操作。
2024-09-30 cs.NE
The Operating System of the Neuromorphic BrainScaleS-1 System
BrainScaleS-1是一个晶圆级混合信号加速神经形态系统,旨在研究计算神经科学和超越冯诺依曼计算领域。BrainScaleS操作系统(BrainScaleS OS)是一个软件堆栈,使用户能够在对系统了解最少的情况下模拟高级网络描述语言PyNN中描述的网络。同时,通过允许在堆栈的任何深度挂钩到系统,方便了专家的使用。我们提出了为BrainScaleS-1神经形态架构实施的操作和开发方法,并走查了构成BrainScaleS-1平台操作软件堆栈的BrainScaleS OS的各个组件。
2022-02-02 cs.NE
nBMS, a Neuromorphic Battery Management System with a Silicon-Validated Spiking State-of-Charge Core for eVTOL Aircraft
Istinye University(伊斯坦耶大学)
针对eVTOL飞行器,提出一种基于事件驱动尖峰网络的神经形态电池管理系统nBMS,其SoC估计核心在零MAC运算下达到2.45% RMSE,并在FPGA上硅验证,实现低功耗高能效。
2026-09-15 cs.NE
PyCARL: A PyNN Interface for Hardware-Software Co-Simulation of Spiking Neural Network
提出了一种基于PyNN的通用Python编程接口PyCARL,用于脉冲神经网络(SNN)的软硬件协同仿真。通过PyCARL,我们做出了以下两个关键贡献。首先,我们提供PyNN到CARLsim的接口,CARLsim是一个计算效率高,GPU加速和生物药理学详细的SNN模拟器。PyCARL促进了机器学习模型的联合开发以及CARLsim和PyNN用户之间的代码共享,促进了集成和更大的神经形态社区。其次,我们在PyCARL中集成了最先进的神经形态硬件(如TrueNorth,Loihi和DynapSE)的周期精确模型,以准确地建模延迟通信神经元之间的尖峰并降低性能的硬件延迟。PyCARL允许用户分析和优化其机器学习模型的纯软件仿真和软硬件联合仿真之间的性能差异。我们表明,系统设计人员还可以使用PyCARL在产品开发阶段的早期进行设计空间探索,从而加快神经形态产品的部署时间。我们使用功能测试、合成SNN和实际应用程序评估PyCARL的内存使用情况和模拟时间。我们的研究结果表明,对于大型SNN,PyCARL与CARLsim相比不会导致任何显着的开销。我们还使用PyCARL来分析这些SNN的最先进的神经形态硬件,并展示了显着的性能偏差,从软件模拟。PyCARL允许在模型开发的早期评估和最小化这些差异。
2020-05-12 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
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
HiAER-Spike: Hardware-Software Co-Design for Large-Scale Reconfigurable Event-Driven Neuromorphic Computing
Institute for Neural Computation, UC San Diego(加州大学圣地亚哥分校神经计算研究所)
本文提出 HiAER-Spike 平台,通过硬件-软件协同设计实现支持 1.6 亿神经元和 400 亿突触的大规模可重构事件驱动神经形态计算,并提供硬件无关的 Python 接口和网络门户。
2025-03-20 cs.AI cs.DC cs.NE
hxtorch: PyTorch for BrainScaleS-2 -- Perceptrons on Analog Neuromorphic Hardware
提出hxtorch软件将BrainScaleS-2模拟神经形态硬件透明集成至PyTorch框架,支持向量矩阵乘法、卷积及硬件在环训练,并验证了其在推理加速与日常活动分类应用中的有效性。
2020-07-01 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
Shenjing: A low power reconfigurable neuromorphic accelerator with partial-sum and spike networks-on-chip
下一波设备上的人工智能可能需要节能的深度神经网络。脑激励脉冲神经网络(SNN)已被确定为一个有前途的候选人。不需要乘法器就能显著降低能耗。对于设备上的应用,除了计算之外,通信也会产生大量的能量和时间。在本文中,我们提出了Shenjing,一个可配置的SNN架构,完全暴露所有片上通信的软件,使软件映射的SNN模型具有高精度,低功耗。与TrueNorth等先前的SNN架构不同,Shenjing不需要对映射进行任何模型修改和重新训练。我们表明,传统的人工神经网络(ANN),如多层感知器,卷积神经网络,以及最新的残留神经网络可以成功地映射到深井,实现与SNN的能源效率的ANN。对于使用多层感知器的MNIST推理问题,我们能够实现96%的准确度,同时使用10个Shenjing核心仅消耗1.26mW。
2019-11-25 cs.AR cs.ET cs.NE
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
Hardware-friendly Neural Network Architecture for Neuromorphic Computing
神经网络体系结构的硬件-软件协同优化正在成为研究的主流,特别是由于商业神经形态芯片(如IBM Truemorth和Intel Loihi)的出现。考虑到硬件限制,特定神经网络架构的开发与神经形态硬件的设计同步进行,将对完整的系统级应用产生巨大影响。在本文中,我们研究了各种神经网络架构,并提出了一个是硬件友好的神经形态硬件与交叉阵列的突触。考虑到硬件的限制,我们演示了如何可以设计的神经形态硬件,以最大限度地提高分类精度的训练网络架构,同时,我们选择了一个神经网络架构,以最大限度地利用神经形态核心。我们还提出了一个框架映射到一个神经形态芯片的神经网络命名为映射和映射(MaD)框架。MaD框架被设计为通用的,因为它是一个Python包装器,原则上可以与任何神经形态芯片的模拟器工具集成。
2019-04-03 cs.NE
The hardware is the software
本研究提出“硬件即软件”的观点,指出神经形态工程应依托非生物智能系统的硬件物理特性,而神经科学的核心价值是挖掘可跨硬件迁移的生物智能原理。
2023-10-20 cs.ET cs.NE q-bio.NC
RANC: Reconfigurable Architecture for Neuromorphic Computing
已经引入神经形态架构作为用于能量高效的脉冲神经网络执行的平台。这些架构提供的大量并行性也引发了非机器学习应用领域的兴趣。为了解除硬件设计人员和应用程序开发人员的准入门槛,我们提出了RANC:一个可重构的架构类脑计算,一个开源的高度灵活的生态系统,使快速实验与神经形态架构在软件通过C++仿真和硬件通过FPGA仿真。我们通过展示其重建IBM TrueNorth行为的能力来展示RANC生态系统的实用性,并通过与IBM Compass仿真环境和已发表文献的直接比较进行验证。RANC允许基于应用洞察优化架构,以及对未来的神经形态架构进行原型设计,以完全支持新的应用类别。我们展示了高度参数化和可配置的RANC的性质,通过研究架构的变化,提高应用程序映射效率的定量分析的基础上Alveo U250 FPGA的影响。我们提出了跨合成孔径雷达分类和向量矩阵乘法应用的实现的后路由资源使用和吞吐量分析,并展示了一个神经形态架构,该架构可扩展到模拟259K个不同的神经元和73.3M个不同的突触。
2020-11-01 cs.AR cs.ET cs.NE
Binary stochasticity enabled highly efficient neuromorphic deep learning achieves better-than-software accuracy
Peng Cheng Laboratory(鹏城实验室);Fudan University(复旦大学);Institute of Microelectronics, Chinese Academy of Sciences(中国科学院微电子研究所);Politecnico di Milano(米兰理工大学)
本文提出二元随机学习算法,通过对前向信号、激活函数导数、反向传播误差及权重更新进行二值化处理,在忆阻器硬件上实现超越软件基准的深度学习性能,并将乘累加运算能效提升三个数量级以上。
2023-04-25 cs.LG cs.NE eess.SP
A toolbox for neuromorphic sensing in robotics
Delft University of Technology(代尔夫特理工大学)
由类脑计算引入的第三代人工智能(AI)正在彻底改变机器人和自主系统感知世界、处理信息以及与环境交互的方式。神经形态系统的高灵活性、能量效率和鲁棒性的承诺得到了用于模拟脉冲神经网络的软件工具和硬件集成(神经形态处理器)的广泛支持。然而,尽管已经在神经形态视觉(基于事件的相机)方面做出了努力,但值得注意的是,大多数可用于机器人的传感器仍然与类脑计算本质上不兼容,其中信息被编码为尖峰。为了方便传统传感器的使用,我们需要将输出信号转换为尖峰流,即,一系列事件(+1,-1)及其相应的时间戳。在本文中,我们提出了一个审查的编码算法,从机器人的角度来看,并进一步支持基准测试,以评估其性能。我们还介绍了一个ROS(机器人操作系统)工具箱编码和解码输入信号来自任何类型的传感器上的机器人。该计划旨在刺激和促进神经形态AI的机器人集成,并有机会使传统的现成传感器适应最强大的机器人工具之一ROS中的尖峰神经网络。
2021-10-05 cs.NE cs.RO
A neuromorphic continuous soil monitoring system for precision irrigation
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);Politecnico di Torino(都灵理工大学)
本文提出一种完全节能的自主神经形态灌溉控制系统,利用脉冲神经网络在本地进行计算和决策,基于真实果园土壤湿度数据验证,其生成的灌溉指令与常规方法高度匹配,为大规模自主可持续灌溉提供了解决方案。
2025-09-17 cs.ET cs.NE
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
Neuromorphic hardware for sustainable AI data centers
本文分析了神经形态硬件未进入商业AI数据中心的原因,提出了促进其集成的硬件与软件要求及最佳实践,以实现大规模可持续且节能的AI计算。
2024-06-26 cs.DC cs.ET cs.NE
Demonstrating the Advantages of Analog Wafer-Scale Neuromorphic Hardware
针对数值模拟资源消耗大、传统模拟器有局限的问题,本文展示BrainScaleS-1模拟晶圆级神经形态硬件的优势,其仿真速度恒定且不受网络规模影响,还报告了两个生物启发网络的仿真时间和能耗。
2024-12-03 cs.NE
A Reconfigurable Mixed-signal Implementation of a Neuromorphic ADC
我们提出了一个神经形态的模数转换器(ADC),它使用积分和火灾(I&F)神经元作为模拟信号的编码器,调制抑制去相干神经元的尖峰列车。该结构由模拟芯片和控制模块组成。该模拟芯片包括两个扫描链和一个二维积分-激发神经元阵列。单个神经元通过链一个接一个地访问,而不需要任何编码器、解码器或仲裁器。控制模块在FPGA(现场可编程门阵列)上实现,其向扫描链发送扫描使能信号并控制对单个神经元的抑制。由于控制模块是在FPGA上实现的,因此可以很容易地重新配置。此外,我们提出了一种脉冲宽度调制的方法,侧抑制,它利用不同的脉冲宽度表示不同的抑制强度为每个单独的神经元decohere神经元的棘波。本文的软件仿真测试了所提出的ADC架构对固定随机噪声的鲁棒性。使用十个神经元的电路模拟显示的性能和架构的可行性。
2015-09-03 cs.NE
Synapse Loss Estimation for the BrainScaleS Wafer-scale Neuromorphic System
TUD Dresden University of Technology(德累斯顿工业大学)
本文针对BrainScaleS晶圆级神经形态系统,提出基于概率分布和路由架构的突触损失估计方法,预测映射均匀随机网络时的损失,并验证其能力与局限,助力映射优化与硬件设计。
2026-10-07 cs.ET cs.NE
Demonstrating Hybrid Learning in a Flexible Neuromorphic Hardware System
我们提出了一种新的方法来学习和可塑性的neuromorphic硬件系统的结果:使可实现的学习机制的灵活性,同时保持高效率与neuromorphic实现,我们结合了通用处理器与全定制的模拟元件。该处理器与完全并行的神经形态系统并行操作,该神经形态系统由连接到模拟连续时间神经元电路的突触阵列组成。新颖的模拟相关传感器电路并行且实时地处理每个突触的尖峰事件。处理器使用该预处理来计算新的权重,可能使用遵循其程序的附加信息。因此,可以在软件中定义学习规则,从而提供很大程度的灵活性。突触实现相关检测,面向尖峰定时依赖可塑性(STDP)作为中央计算原语在模拟域。与生物时间尺度相比,以1000的加速因子操作,我们测量从几十到几百微秒的时间常数。我们分析了多个芯片的变异性,并使用乘法STDP规则演示了学习。我们的结论是,所提出的方法将使灵活和有效的学习作为神经科学研究和技术应用的平台。
2016-10-13 cond-mat.dis-nn cs.NE q-bio.NC
Neuromorphic Wireless Split Computing with Multi-Level Spikes
King’s Laboratory for Intelligent Computing (KLIC) lab within the Centre for Intelligent Information Processing Systems (CIIPS) at the Department of Engineering, King’s College London(国王智能计算实验室(KLIC)内位于智能信息处理系统中心(CIIPS)的工程系,伦敦国王学院);King’s Communications, Learning and Information Processing (KCLIP) lab within the CIIPS at the Department of Engineering, King’s College London(国王通讯、学习和信息处理(KCLIP)实验室,位于智能信息处理系统中心(CIIPS)的工程系,伦敦国王学院);Department of Electrical and Computer Engineering, Princeton University(普林斯顿大学电气与计算机工程系)
本文提出首个采用多级SNNs的神经形态无线拆分计算架构,设计了OFDM接口的数字与模拟调制方案,实验揭示了多级SNN的性能提升及最佳负载大小与连接质量的关系。
2025-03-28 cs.IT cs.LG cs.NE
Inference with Artificial Neural Networks on Analog Neuromorphic Hardware
神经形态BrainScaleS-2 ASIC包括混合信号神经元和突触电路以及两个多功能数字微处理器。该系统主要用于模拟尖峰脉冲神经网络,也可用于人工神经网络的矢量矩阵乘法和累加模式。模拟乘法在突触电路中进行,而结果在神经元的膜电容器上累积。作为一种模拟的存内计算设备,它保证了高能效。然而,固定模式噪声和试验间变化要求实现的网络应对一定程度的扰动。输入值的数字分辨率(5位)、矩阵权重(6位)和所得神经元激活(8位)强加了进一步的限制。在本文中,我们讨论了BrainScaleS-2作为模拟推理加速器,并提出了校准和优化策略,突出了硬件在环训练的优势。在其他基准测试中,我们使用二维卷积和两个密集层对MNIST手写数字数据集进行分类。我们达到了98.0%的测试准确率,与软件中评估的相同网络的性能非常匹配。
2020-07-01 cs.NE
hxtorch.snn: Machine-learning-inspired Spiking Neural Network Modeling on BrainScaleS-2
神经形态系统需要用户友好的软件来支持实验的设计和优化。在这项工作中,我们提出了我们的开发一个基于机器学习的建模框架的BrainScaleS-2神经形态系统,以满足这一需求。这项工作代表了对以前工作的改进,以前的工作要么集中在BrainScaleS-2的矩阵乘法模式上,要么缺乏完全自动化。我们的框架名为hxtorch.snn,可以在PyTorch中实现脉冲神经网络的硬件在环训练,包括支持全自动硬件实验工作流程中的自动区分。此外,hxtorch.snn还有助于在硬件仿真和软件仿真之间进行无缝转换。我们展示了hxtorch.snn在使用阴阳数据集的分类任务上的能力,该数据集采用基于梯度的方法,具有替代梯度和来自BrainScaleS-2硬件系统的密集采样膜观察。
2022-12-23 cs.NE
A Design Methodology for Fault-Tolerant Computing using Astrocyte Neural Networks
我们提出了一种设计方法,以促进深度学习模型的容错。首先,我们实现了一个多核容错神经形态硬件设计,其中每个神经形态核心中的神经元和突触电路都被星形胶质细胞电路包围,星形胶质细胞是大脑的星形胶质细胞,通过使用闭环逆行反馈信号恢复失败神经元的尖峰放电频率来促进自我修复。接下来,我们在深度学习模型中引入星形胶质细胞,以实现对硬件故障的所需容忍度。最后,我们使用一个系统软件分区的星形胶质细胞使能的模型成簇,并实现他们提出的容错神经形态设计。我们使用七个深度学习推理模型来评估这种设计方法,并表明它具有面积和功耗效率。
2022-04-06 cs.NE
Neuro-memristive Circuits for Edge Computing: A review
Nazarbayev University(纳扎尔巴耶夫大学);University of California Berkeley(加州大学伯克利分校)
连接到互联网的传感器网络不断增长,其产生的数据量、准确性、可变性和速度对云计算基础设施的电源管理、可扩展性和可持续性提出了挑战。在较低功率要求下提高边缘计算设备的数据处理能力可以减少云计算解决方案的若干开销。本文提供了可以集成到边缘计算设备中的神经形态CMOS忆阻架构的综述。我们讨论了为什么神经形态架构对边缘设备有用,并展示了用于边缘计算的神经忆阻电路领域的优点,缺点和开放问题。
2018-11-28 cs.AI cs.AR cs.ET
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
Design-Technology Co-Optimization for NVM-based Neuromorphic Processing Elements
神经形态硬件平台可以显著降低机器学习推理任务的能量开销。我们提出了一个设计技术权衡分析,以实现这样的推理任务的处理元件(PE)的非易失性存储器(NVM)为基础的神经形态硬件。通过详细的电路级模拟在缩放的工艺技术节点,我们显示了技术缩放对信息处理延迟的负面影响,这会影响嵌入式ML系统的服务质量(QoS)。在更精细的粒度下,PE内部的延迟取决于1)由其电流路径上的寄生组件引入的延迟,以及2)感测其NVM单元的不同电阻状态的变化延迟。基于这两点,我们做出以下三点贡献。首先,在技术方面,我们提出了一种优化方案,其中需要最长时间来感测的NVM电阻状态被设置在具有最小延迟的电流路径上,反之亦然,减少了平均PE延迟,从而提高了QoS。其次,在架构方面,我们在每个PE中引入隔离晶体管,将其划分为可以单独进行电源门控的区域,从而降低延迟和能耗。最后,在系统软件方面,我们提出了一种机制,在硬件的神经形态PE上实现机器学习推理任务时,利用所提出的技术和架构增强。最近的神经形态硬件架构的评估表明,我们提出的设计技术协同优化方法提高了机器学习推理任务的性能和能源效率,而不会产生高的每比特成本。
2022-03-10 cs.ET cs.NE
Neuromorphic on-chip reservoir computing with spiking neural network architectures
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);New Mexico State University(新墨西哥州立大学)
本文研究了在储备池计算框架中应用整合发放神经元,结合元学习与模拟退火优化网络拓扑,并在Intel Loihi神经形态芯片上实现了低功耗的混沌动态捕捉与时间序列预测。
2024-07-30 cs.ET cs.LG cs.NE
A Memristor based Unsupervised Neuromorphic System Towards Fast and Energy-Efficient GAN
深度学习在推动当今的人工智能发展方面取得了巨大成功。为了解决有监督学习中有限的标记数据的挑战,无监督学习在多年前被提出,但低精度阻碍了它的实际应用。生成对抗网络(GAN)作为一种无监督学习方法,具有良好的学习精度,正受到广泛的研究。然而,GAN的执行是极其存储器和计算密集的,并且导致超低速和高功耗。在这项工作中,我们提出了一个整体的解决方案,快速和节能的GAN计算通过忆阻器为基础的神经形态系统。首先,我们利用硬件和软件协同设计的方法,有效地映射GAN中的计算块。我们还提出了一个有效的数据流的最佳并行训练和测试,根据不同的计算块之间的计算相关性。为了计算GAN的独特和复杂的损失,我们开发了一个具有优化精度和性能的差分块。在大数据上的实验结果表明,与传统的GPU加速器相比,我们的设计实现了2.8倍的加速比和6.1倍的节能效果;与之前基于FPGA的加速器相比,我们的设计实现了5.5倍的加速比和1.4倍的节能效果。
2019-09-08 cs.CV cs.DC cs.ET