Implementing Spiking Neural Networks on Neuromorphic Architectures: A Review

郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！

Arxiv 2022

Abstract

　　最近，工业界和学术界都提出了几种不同的神经形态系统来执行使用Spiking神经网络（SNN）设计的机器学习应用。随着设计和技术领域日益复杂，编程此类系统以接纳和执行机器学习应用程序变得越来越具有挑战性。此外，神经形态系统需要保证实时性能，消耗较低的能量，并提供对逻辑和记忆故障的容忍度。因此，显然需要能够在当前和新兴的神经形态系统上实现机器学习应用的系统软件框架，同时解决性能、能量和可靠性问题。在这里，我们全面概述了为基于平台的设计和硬件软件协同设计提出的框架。我们强调了神经形态计算系统软件技术领域的未来挑战和机遇。

1. Introduction

　　神经形态系统是设计用于模拟哺乳动物大脑中事件驱动计算的集成电路[1]。它们能够执行Spiking神经网络（SNN），这是一种使用Spiking神经元和生物启发学习算法设计的计算模型[2]。SNN由于其时空信息编码能力而实现了强大的计算[3]。SNN可以实现不同的机器学习方法，如监督学习[4]、无监督学习[5]、强化学习[6]和终身学习[7]。