Neuromorphic Hyperdimensional Computing for Efficiently Processing Event-Based Data

doi:10.1109/tvlsi.2026.3695182

Neuromorphic Hyperdimensional Computing for Efficiently Processing Event-Based Data

2026-06-11

0

PRE

AI

DOI：10.1109/tvlsi.2026.3695182

原文链接

原文求助

摘要

En 中文

神经形态传感器的事件驱动数据输出具有显著优势，包括最小数据冗余和卓越的时间分辨率，这保证了数据采集过程中的低功耗和高灵敏度。脉冲神经网络（SNN）因其固有的事件驱动特性，非常适合处理事件驱动数据，其基于脉冲的计算机制提高了数据处理效率。近期研究正探索将类脑高维计算（HDC）与SNN集成，以利用HDC的低推理和训练复杂度优势，旨在进一步降低SNN部署的硬件开销。然而，现有工作未能有效利用SNN在高维编码期间输出的信息，导致显著的面积和能耗开销。本文提出了一种高效的神经形态HDC方法，采用了一种简化的高维编码方法，考虑了SNN的时间动态特性。此外，还给出了与所提方法匹配的轻量级加速器设计。实验结果表明，所提出的加速器实现了超过50%的面积缩减，并将能耗降低了20%–90%。

Keyword:

Application-specific integrated circuit (ASIC)

field-programmable gate array (FPGA)

hyperdimensional computing (HDC)

neuromorphic computing

spiking neural network (SNN)

Neuromorphic Hyperdimensional Computing for Efficiently Processing Event-Based Data

摘要

期刊

机构