神经器官天文学：用于RFI检测硬件的端到端SNN管道

即将到来的射电望远镜设施提供了巨大的数据速率，使基于深度学习的处理显得富有吸引力，同时又要求低能耗的实时性能，禁止许多人工神经网络方法的使用。我们通过在资源受限的神经器官硬件上部署深度脉冲神经网络（SNN）来解决射电频率干扰（RFI）检测的科学挑战。我们的做法是通过最大分割算法（一种新型贪心算法）将大型预训练网络分区到 SynSense Xylo 硬件上。我们通过芯片功耗测量验证了该管道，实现了仪器规模的推理，功耗仅为100mW。虽然我们的完整SNN在SNN基准中实现了最先进的准确率，但我们的实验揭示了一个更重要的发现：较小的未分区模型显著优于较大的分区模型。这一发现凸显了硬件协同设计对于最佳性能至关重要。我们的工作因此提供了实际的部署蓝图，揭示了模型规模扩张的挑战，并强化了射电天文学作为推动应用神经器官计算的严苛且理想的领域。