基于自适应脉冲神经元的 RNN 精准映射到神经器硬件

由于其并行和稀疏活动特征，循环神经网络（RNN）非常适合在低功耗神经器硬件中实现。然而，将基于速率的 RNN 映射到硬件兼容的脉冲神经网络（SNN）仍然具有挑战性。本文提出了一种 ${\Sigma}{\Delta}$-低通 RNN（lpRNN）：一种采用自适应脉冲神经元模型的 RNN 架构，通过 ${\Sigma}{\Delta}$-调制对信号进行编码，从而实现精确的映射。${\Sigma}{\Delta}$-神经元通过脉冲时序传递模拟值，lpRNN 的动力学被设置为与处理自然信号（如语音）的典型时间尺度相匹配。我们的方法集成了速率编码和时间编码，为 RNN 到 SNN 的高效且准确的转换提供了稳健的解决方案。我们在英特尔神经器研究芯片 Loihi 上实现了 lpRNN，在音频基准测试上使用 3 位权重实现了最先进的分类结果。这些结果呼吁对事件驱动系统中的递归性和适应性进行更深入的调查，这可能为需要功率效率实时推断的边缘计算应用提供启发。