模拟共振-放电神经元的线性实现
信号处理
2025-11-18 v1
摘要
振荡动力学最近在机器学习中发挥着高度效用的作用，尤其是通过 State-Space-Models (SSM) 利用结构化线性递推进行长程时序处理。共振-放电 (RAF) 神经元在脉冲框架中捕获此类振荡行为，具有强大的表达性和稀疏事件通信效率。虽然早期的模拟 RAF 电路采用非线性耦合并受制于工艺敏感性，但现代 ML 实践更倾向于线性递推。本文引入一种基于 SSM 原则同时保持脉冲通信效率的共振-放电 (RAF) 神经元，其在 22nm Fully-Depleted Silicon-on-Insulator 技术中实现。我们分析了其动力学、线性特性以及对工艺、电压和温度变化的鲁棒性，并评估了功耗、性能和面积权衡。我们将该电路特性映射到系统级仿真中，在关键词检测任务中运用我们的 RAF 神经元，结果表明其非理想性并不影响性能。我们的研究结果确立了 RAF 神经元作为神经器硬件中稳健、高效计算原语。
引用
@article{arxiv.2511.12297,
title = {A Linear Implementation of an Analog Resonate-and-Fire Neuron},
author = {Angqi Liu and Filippo Moro and Sebastian Billaudelle and Melika Payvand},
journal= {arXiv preprint arXiv:2511.12297},
year = {2025}
}