.png){kind=icon}
返回
An Energy Efficient Optimization Framework for Spiking Neural Networks Using Error-Resilient Approximation Techniques
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-1233-1_26.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脉冲神经网络（SNN）因其生物启发、事件驱动的机制，在边缘计算中展现出显著的节能潜力。然而，采用近似计算技术（如近似加法器）的硬件实现会在时空维度上引入非线性误差累积，从而劣化膜电位动态和脉冲时序可靠性。现有方法往往忽视实际数据的异质性，且缺乏针对SNN特定机制的系统性误差建模。为应对这些挑战，本研究提出了一种软硬件协同设计的优化框架，可动态建模误差传播并实施补偿策略。通过量化逐层误差缩放系数并引入全局误差指标（E-global），该框架建立了E-global与任务精度之间的强相关性（|r| > 0.74），从而实现在高噪声场景下的鲁棒部署。在MNIST数据集上的实验结果表明，该框架在保持分类精度（<1%退化）的同时，实现了高达29%的能效提升。本研究为SNN中能效与误差鲁棒性的协同优化提供了系统化方法，推动了其在边缘计算中的实际应用。
Keyword:
Spiking neural networks (SNN)
Error propagation modeling
Error-resilient optimization
期刊
A
IF:
0
论文数:
37
被引数:
0
机构
引用论文
Towards spike-based machine intelligence with neuromorphic computing基于神经形态计算的基于尖峰的机器智能.png)
Nature
NatureIF0
PREAI
分享收藏
Automatic design of approximate circuits by means of multi-objective evolutionary algorithms基于多目标进化算法的近似电路自动设计2016 International Conference on Design and Technology of Integrated Systems in Nanoscale Era (DTIS)
2016 International Conference on Design and Technology of Integrated Systems in Nanoscale Era (DTIS)IF0
PREAI
分享收藏
查看更多内容