面向嵌入式FPGA的脑类神经网络加速：在线学习到可扩展推理
硬件体系结构
2025-06-24 v1 人工智能
摘要
边缘AI应用日益需要能够在低能耗预算下进行的模型。虽然传统深度学习模型功能强大，但往往参数冗余、能耗高且依赖云端连接。脑类神经网络（BLNN）如贝叶斯置信度传播神经网络（BCPNN）通过模仿皮层结构和生物约束学习规则，提供稀疏架构和无监督/半监督学习，适用于低功耗边缘智能。然而，现有BCPNN实现依赖GPU或数据中心FPGA，限制了其在嵌入式系统中的应用。本文提出首个在Zynq UltraScale+ SoC上使用高级综合实现的BCPNN嵌入式FPGA加速器。我们实现了支持可变精度和混合精度的在线学习和推理内核。在MNIST、Pneumonia和Breast Cancer数据集上评估显示，该加速器相较于ARM基准实现了最高可达17.5倍的延迟降低和94%的能耗节省，且不牺牲准确率。该工作使脑类学习在边缘设备上实现了实际应用，弥合了脑类学习与实际部署之间的鸿沟。
引用
@article{arxiv.2506.18530,
title = {Embedded FPGA Acceleration of Brain-Like Neural Networks: Online Learning to Scalable Inference},
author = {Muhammad Ihsan Al Hafiz and Naresh Ravichandran and Anders Lansner and Pawel Herman and Artur Podobas},
journal= {arXiv preprint arXiv:2506.18530},
year = {2025}
}