基于神经形态硬件的事件驱动鲁棒拟合

几何模型的鲁棒拟合是许多计算机视觉管道中的基本任务。该领域已产生诸多创新，涵盖从提高随机抽样启发式方法效率与准确性，到生成支撑新方法的数学保证的新理论见解。然而，鲁棒拟合的一个方面几乎未受到关注，即能源效率。随着高能耗成为AI采纳日益严峻的挑战，该性能指标变得至关重要。本文通过神经形态计算范式探索能源高效的鲁棒拟合。具体而言，我们设计了一种用于实际神经形态硬件（Intel Loihi 2）的鲁棒拟合的新型脉冲神经网络。使其实现的关键技术包括Loihi 2独特体系结构下模型估计的新型事件驱动公式，以及缓解当前硬件有限精度和指令集限制的算法策略。结果表明，我们的神经形态鲁棒拟合仅需相当于在标准CPU上运行等效精度下鲁棒拟合算法能耗的15%。