基于神经形态硬件的深度展开多维谐波检索算法
信号处理
2024-12-06 v1 人工智能
硬件体系结构
神经与进化计算
摘要
本文探讨了基于转换的神经形态算法在高精度和能耗效率方面实现单快照多维谐波检索(MHR)的潜力。通过将 MHR 问题建模为稀疏恢复问题，我们设计了当前提出的基于深度展开的结构化学习迭代收缩阈值(S-LISTA)算法，使用包含复数激活的复数卷积神经网络进行高效求解，并采用监督回归目标进行训练。随后，开发了一种新方法，将复数卷积层和激活函数转换为脉冲神经网络(SNN)。该方法的核心在于最近提出的少量脉冲(FS)转换方法，通过修改神经元模型的参数和内部动力学，以考虑复数计算中实部和虚部内在耦合的作用。最终，将转换后的 SNN 映射到 SpiNNaker2 神经形态板上，并在估计精度和功耗效率方面与部署在 NVIDIA Jetson Xavier 上的原始 CNN 进行比较。测量结果表明，转换后的 SNN 在性能损失适中的情况下，几乎实现了原始 CNN 的五倍功耗效率。
引用
@article{arxiv.2412.04008,
title = {Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware},
author = {Vlad C. Andrei and Alexandru P. Drăguţoiu and Gabriel Béna and Mahmoud Akl and Yin Li and Matthias Lohrmann and Ullrich J. Mönich and Holger Boche},
journal= {arXiv preprint arXiv:2412.04008},
year = {2024}
}
备注
accepted to the 58th Asilomar Conference on Signals, Systems, and Computers, Oct. 27th - Oct. 30th, 2024, Pacific Grove, CA