DendroNN：基于树状神经网络用于事件数据高效分类

时空信息是多样感官处理和计算任务的核心。递进式脉冲神经网络可用于解决这些任务，同时通过基于事件计算来实现潜在的能源效率优势。然而，这些网络在解码时序信息时难以获得高精度，因而常需采用延迟或延迟来增强其时序计算能力，这会带来硬件效率的缺点。在大脑中，树突是计算的力量，最近开始被认识在此类机器学习系统中发挥作用。在本工作中，我们聚焦于树突分支中存在的序列检测机制，将其转化为一种新型神经网络类型，引入树状神经网络（DendroNN）。DendroNN通过识别唯一的输入脉冲序列来识别时空特征。本工作进一步引入一种重构阶段，用于在不使用梯度的情况下训练不可微的脉冲序列。在重构过程中，网络记忆频繁发生的序列，并额外地丢弃不贡献任何判别性信息的序列。该网络在各种基于事件的时间序列数据集上显示出竞争性的准确率。我们还提出了一种基于时间轮机制的异步数字硬件架构，建立在DendroNN事件驱动设计之上，消除了基于延迟或递归模型中常见的每一步全局更新。通过利用DendroNN的动态和静态稀疏性以及内在量化，其在相同的音频分类任务中实现了比最先进的神经形态硬件高达 4 倍的效率，同时保持相当的精度，展示了其在基于事件的时空计算中的适用性。本工作提供了一种在事件驱动硬件上进行低功耗时空处理的新方法。