面向神经植入装置的能源感知开发：从指标到行动

脉冲神经网络 (SNN) 和神经形态计算作为传统人工神经网络 (ANN) 的替代方案，尤其在边缘和植入式设备中显著提升了能源效率。然而，评估 SNN 模型的能源性能仍是一个挑战，原因在于缺乏标准化且可操作的指标，以及在实验神经形态硬件上测量能源消耗的困难。本文开展了对 SNN 基准文献中提出的能源效率指标的初步探索性研究。我们基于可访问性、保真度、可操作性和基于趋势的分析四个关键属性，对 13 个常用指标进行分类。我们的发现表明，虽然许多现有指标在不同架构之间提供了有用比较，但往往缺乏对 SNN 开发者的实用性洞察。值得注意的是，我们识别出可访问指标与高保真度指标之间的鸿沟，限制了早期能源评估。此外，我们强调缺乏为实践者提供可操作性洞察的指标，这使得指导能源高效 SNN 开发变得困难。为解决这些挑战，我们概述了 bridging 可访问性与保真度、寻找面向植入式神经形态设备的新可操作指标、引入更多基于趋势的指标、反映功率需求变化的指标、面向电池的指标，以及改进能源-性能权衡评估的研究方向。本文的结果为未来研究提供了路径，以增强能源指标及其可操作性。