面向 SpiNNaker2 神经形态平台的硬件感知量化 SNN 微调

脉冲神经网络 (SNN) 承诺在神经形态硬件上实现数十倍甚至上百倍的能耗降低和低延迟推理，可用于解决广泛的机器人任务。本文present了一个在 SpiNNaker2 神经形态芯片上部署的能效高效的强化学习 (RL) 算法实现，使用量化 SNN 解决两类经典控制任务。该网络采用 Q-learning 算法进行训练，然后进行微调和量化以适配 8 位低精度嵌入式部署。为评估 SpiNNaker2 相较于传统计算平台的优势，我们分析了 SNN 模型的推理延迟、动态功耗和能耗成本，基于 GTX 1650 GPU 基准进行对比。我们的结果表明，SpiNNaker2 在可扩展的低能耗神经形态计算方面具有强大的潜力，实现了最高可达 32 倍的能耗降低。推理延迟与基于 GPU 的执行相当，在某些任务场景下甚至有所改善，这进一步印证了 SpiNNaker2 在实时神经形态控制中的可行性，使得神经形态方法成为高效深度 Q-learning 的有力选择。