NeuroNAS：面向硬件感知的脉冲神经网络架构搜索以提升仿生存储计算的效率

智能移动代理人（如 UGV 和 UAV）在解决其基于机器学习的任务时，通常需要低功耗/能耗，因为它们通常由容量有限的便携式电池供电。一种潜在解决方案是采用仿生计算与脉冲神经网络（SNN）相结合，后者利用基于事件的计算来实现低功耗/能耗的机器学习算法。为了最大化 SNN 推理的性能效率，可以采用基于存储器的仿生计算（IMC）硬件加速器，这些加速器利用新兴器件技术（如 RRAM）。然而，SNN 模型通常在开发时不考虑应用和底层 IMC 硬件的约束，从而阻碍了 SNN 在性能和效率方面发挥其潜能。为此，我们提出了 NeuroNAS，这是一个用于开发面向硬件的仿生 IMC 的新框架，以用于智能移动代理人的硬件感知脉冲神经网络架构搜索（NAS），即通过快速找到在给定约束（如内存、面积、延迟和能耗）下具有高准确性的 SNN 架构。其关键步骤包括：优化 SNN 操作以高效实现 NAS、采用量化以最小化内存占用、开发促进有效学习的 SNN 架构，以及制定系统的硬件感知搜索算法以满足约束。与最新技术相比，NeuroNAS 能够快速找到具有 8 位权重精度的 SNN 架构，保持高准确性，实现了最高可达 6.6 倍的搜索时间加速，同时在不同数据集（如 CIFAR-10、CIFAR-100 和 TinyImageNet-200）上实现了最高达 92% 的面积节省、1.2 倍的延迟改进和 84% 的能耗节省；而最新方法无法一次性满足所有约束。