硬件神经元计算：脉冲式或经典式？从硬件侧看应用脉冲神经网络的前景

尽管经典神经网络在机器学习领域占据主导方法地位，脉冲神经形态系统引起了神经科学的关注和大型项目。已证明脉冲神经网络能够在应用任务中替代经典神经元网络。本工作从能效角度探索了近期针对两类神经元的硬件设计及其前景应用（如卷积神经网络），以分析脉冲神经形态硬件是否有望获得更广泛应用。我们的比较表明，在基本操作层面，脉冲硬件的能效至少与非脉冲硬件处于同一水平甚至更高。然而在系统层面，由于使用长脉冲序列进行低效数据表示，脉冲系统相形见绌并消耗更多能量。如果开发出脉冲驱动的应用并最小化脉冲数量，脉冲神经系统可能达到经典神经系统的能效水平。但在不久的将来，两类神经形态系统都可能受益于新兴存储技术，从而最小化两类神经元的计算与存储能耗。这将使系统层面的基础设施和数据传输能耗占主导。我们预期脉冲神经元具有某些优势，可实现更好的能效结果。但脉冲数量问题仍将是脉冲硬件系统的主要瓶颈。