基于谐振-放电神经元的神经器无线分离计算
机器学习
2025-06-26 v1 信息论
神经与进化计算
math.IT
摘要
神经器计算为实时时序处理提供了高能效的传统深度学习加速器的替代方案。然而，许多边缘应用，如无线传感和音频识别，生成的流式信号具有丰富的频谱特征，传统的泄漏积分-放电(LIF)脉冲神经元无法有效捕获。本文探讨了一种采用谐振-放电(RF)神经元的无线分离计算架构，该架构利用具有振荡动力学的RF神经元直接处理时域信号，无需昂贵的频谱预处理。通过在可调频率处振荡，RF神经元提取时局部频谱特征，同时保持低脉冲活跃度。这种时序稀疏性在计算和传输能耗方面实现显著节省。假设采用基于OFDM的模拟无线接口进行脉冲传输，我们提出了完整的系统设计，并在音频分类和调制分类任务上进行评估。实验结果表明，所提出的RF-SNN架构在准确率上与传统LIF-SNN和ANN相当，同时大幅降低了脉冲率和推理及通信期间的总能耗。
引用
@article{arxiv.2506.20015,
title = {Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons},
author = {Dengyu Wu and Jiechen Chen and H. Vincent Poor and Bipin Rajendran and Osvaldo Simeone},
journal= {arXiv preprint arXiv:2506.20015},
year = {2025}
}