相关实验视频
Updated: May 11, 2025
07:12
Profiling Maternal Behavior Responses During Whole-Brain Imaging
Published on: January 24, 2025
561
基于事件的光学流在神经形态处理器上:基于激活散射的ANN与SNN比较.
Yingfu Xu1, Guangzhi Tang2, Amirreza Yousefzadeh3
1Hardware-Efficient Artificial Intelligence Team, Stichting imec Nederland, High Tech Campus 31, Eindhoven, 5656 AA, The Netherlands.
概括
与人工神经网络 (ANN) 相比,尖端神经网络 (SNN) 在基于事件的光流中表现出更高的计算效率. 这是通过新的散射技术和SENECA神经形态处理器实现的,减少了时间和能源消耗.
科学领域:
- 神经形态工程的神经形态工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 尖端神经网络 (SNN) 建议在基于事件的光流方面比人工神经网络 (ANN) 更高的计算效率.
- 在现有文献中缺乏公平的比较研究,因此需要进一步调查SNN效率.
研究的目的:
- 为基于事件的光流进行SNN和ANN之间的计算效率的公平比较.
- 引入一种新的基于事件的光流解决方案,利用激活散射和SENECA神经形态处理器.
主要方法:
- 开发了一种分散意识的训练方法,以实现ANN和SNN模型的低激活/尖峰密度 (∼5%).
- 使用事件驱动的SENECA神经形态处理器,旨在利用ANN激活和SNN峰值中的稀疏性来加速推断.
- 进行了硬件循环实验,以测量两种网络类型的平均时间和能源消耗.
主要成果:
- 该SNN消耗了44.9ms和927.0μJ,分别占ANN消耗量的62.5%和75.2%.
- 与ANN (66.5%) 相比,SNN显示出显著较低的像素智能尖峰密度 (43.5%).
- 由于尖峰密度较低,SNN的效率被归因于神经元状态的存储访问操作减少.
结论:
- 与ANN相比,SNN为基于事件的光流提供了一个明显更有效的解决方案.
- 拟议的散射技术和SENECA处理器有效地提高了SNN和ANN推理的效率.
- 由于尖峰密度较低,减少存储器访问要求是SNN在此应用中的优越能源效率的关键.
