面向多模态分类的脉冲神经网络时常数任务感知调谐

脉冲神经网络（SNN）是面向低功耗边缘计算的热门候选者，适用于可穿戴传感和时间序列分析等领域。作为关键神经元参数，漏时常数（LTC）支配Leaky Integrate-and-Fire（LIF）神经元中信息的时序积分，但其对不同数据模态下前馈SNN性能的影响尚未充分探讨。本研究考察了LTC在应用于静态图像、动态图像和生物信号时间序列分类的temporally adaptive前馈SNN中的作用。所作实验表明，LTC对推断准确率、突触权重分布和放电动态具有关键影响。在静态图像和动态图像任务中，intermediate LTCs可获得更高准确率和紧凑、居中的权重直方图，反映出稳定的特征编码。在时间序列任务中，最优LTC可增强时序特征保留能力，并导致更广泛的权重稀疏性，从而容忍LTC变动。所提供的结果显示，推断准确率在特定LTC范围内达到峰值，超出该最优带宽后会显著下降，原因在于过度积分或记忆衰减过快。放电率分析揭示了LTC、网络深度与能源效率之间存在强烈关联，凸显了在时序活动方面保持平衡的重要性。这些发现表明，针对不同任务进行LTC调谐对于高效脉冲编码和稳健学习至关重要。本工作提供了实用指南，用于硬件感知的SNN优化，并彰显了神经元时常数如何可设计以匹配任务动态。本工作推动了针对神经形态计算中实时分类任务的可扩展、超低功耗SNN部署。