ETHz的一篇文章

一、摘要

1、背景

低能计算成为潮流，存内计算受到关注，神经计算依赖SNN

2、方法

daptive snn(低通滤波器)，不需要产生脉冲就能反向传播

3、结果

提高推理速度，三个任务都有效

4、结论

snn可用于高accuracy计算

二、结论

1、与我的研究相关

相关

2、通过哪些结果得出了结论

1、aI&F脉冲神经元有效
2、mapping tehnique有效
3、aI&F提高精确度

三、介绍

1、背景介绍

高效计算，摩尔定律，AI便携计算装置【ANN加速器+SNN】。

2、课题开展的原因

1. SNN结构与CMOS电路不匹配
2. SNN需要很多脉冲表示信息，更多的消耗能量
3. 不能训练

3、主要结果

LPF

4、结论

四、图表

image.png

F(s)：一阶LPF，接收集神经元输入
H(s)：一阶低通滤波器，产生s(t)【即spike】
E(s)：一阶低通滤波器
【输入电流i(t)+返回信号s(t)】
Imem：超过threshold，激活一个spike。

对每一个spike event，s(t)增加，i(t)-s(t)减少。
【核心改进是在LIF神经元基础上的改进】

---

五、讨论

在这个部分里面作者会对自己的结果进行分析讨论，会解释产生这些结果的原因，然后比较自己的结果和别人的结果。

六、方法

见图的理解