基于LIF神经元的脉冲神经网络能效感知FPGA实现
硬件体系结构
2024-11-05 v1 机器学习
神经与进化计算
摘要
微型机器学习(TinyML)已成为物联网(IoT)应用中设备端处理的一个增长领域，利用针对低复杂度和能效进行优化的AI算法。这些算法旨在最小化功耗和内存占用，使其非常适合IoT设备的约束条件。在这一领域，脉冲神经网络(SNN)凭借其事件驱动的处理范式，成为TinyML的前沿解决方案，为高效处理数据流提供了有效方法。本文提出了一种基于一阶泄漏积分-发放(LIF)神经元模型的新型SNN架构，以在TinyML系统上高效部署基于视觉的机器学习算法。还提出了一种硬件友好的LIF设计，并在Xilinx Artix-7 FPGA上实现。为了评估所提出的模型，采用碰撞避免数据集作为案例研究。所提出的SNN模型与最先进工作和二值化卷积神经网络(BCNN)作为基线进行了比较。结果表明，所提出的方法比基线能效高出86%。
引用
@article{arxiv.2411.01628,
title = {Energy-Aware FPGA Implementation of Spiking Neural Network with LIF Neurons},
author = {Asmer Hamid Ali and Mozhgan Navardi and Tinoosh Mohsenin},
journal= {arXiv preprint arXiv:2411.01628},
year = {2024}
}
备注
TinyML Research Symposium 2024