研究目的
介绍Minitaur——一款专为低功耗、高性能设计的事件驱动神经网络加速器,可集成至现有机器人系统,或从CPU卸载计算密集型神经网络任务。
研究成果
Minitaur作为一款低功耗、高性能的脉冲神经网络加速器展现出显著潜力,在MNIST数据集上达到92%准确率,在新闻组数据集上达到71%。其事件驱动特性使计算效率与网络活动成正比,适用于实时应用。未来工作可聚焦于改进基于LIF脉冲系统的训练方法及探索基于事件的机器学习。
研究不足
系统的性能受限于内存带宽和权重表示的精度。未来版本可以通过采用降低精度的训练范式来更好地平衡权重与较低精度的表示。
1:实验设计与方法选择:
设计思路聚焦于采用FPGA技术的事件驱动型神经网络加速器。理论模型包括脉冲神经网络和深度信念网络。
2:样本选择与数据来源:
测试使用了MNIST手写数字数据集和20个新闻组分类数据集。
3:实验设备与材料清单:
系统在搭载Xilinx Spartan-6 LX150 FPGA的ZTEX USB 1.15开发板上实现。
4:15开发板上实现。
实验流程与操作步骤:
4. 实验流程与操作步骤:系统通过USB处理脉冲(事件),按时间戳和层级排序,并根据输入脉冲更新神经元状态。
5:数据分析方法:
性能指标包括每秒突触后电流(PSC/秒)以及MNIST和新闻组数据集的分类准确率。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容