Компьютерные науки > Архитектура аппаратных средств [представлена 27 октября 2026 года] Название: Hardware-Matded Spiking Neural Networks for Real Time Purkinije Classication View PDF HTML (экспериментальное) Architing Purkinje (PC), простые скачки (SS) от сложных пиков (CSs) являются ключом к изучению функции мозговой системы. Записи ПК, как правило, опираются на проводные куски головных платков, которые ограничивают естественное движение животных. Отверженные на головных ступенях снимают это ограничение, но не могут постоянно передавать необработанные записи в рамках своих энергетических бюджетов, делая классификацию пиковых значений на переднем этапе привлекательной формой сжатия при условии, что она работает точно в реальном времени на ограниченном аппаратном обеспечении. Эта работа предусматривает создание двух компактных спиковых нейронных сетей (SNN), соответствующих их целевым аппаратным средствам: ConvSN, который картирует процессор Matratic Vector Processor (MVP) микроконтролера EFM32PG28 и StreamSNН, в котором обрабатывается одно волновое значение на временной шаг с использованием усвоенных временных констант и фиксированных синаптических задержек для специальной схемы SKY130. По результатам оценки клеток, невидимых в ходе обучения, компания " КонвСНН > достигла показателя CS F1 0,873 при 1 018 параметрах и значениях StreamSNN 0,837 с 527 параметрами при 8-битном весе. На микроконтроле ускорение MVP сокращает латентность ConvSNN на 62,3% и увеличивает…
Аппаратные аппараты для классификации спайков в режиме реального времени
arXiv:2610.37104v1 Тип уведомления: кросс-бюллетень: Простые пики (СС) от сложных шипов (КС) являются ключом к изучению функции мозга. Записи ПК, как правило, опираются на проводные куски головных платков, которые ограничивают естественное движение животных. Отверженные на головных ступенях снимают это ограничение, но не могут постоянно передавать необработанные записи в рамках своих энергетических бюджетов, делая классификацию пиковых значений на переднем этапе привлекательной формой сжатия при условии, что она работает точно в реальном времени на ограниченном аппаратном обеспечении. Эта работа предусматривает создание двух компактных спиковых нейронных сетей (SNN), соответствующих их целевым аппаратным средствам: ConvSN, который картирует процессор Matratic Vector Processor (MVP) микроконтролера EFM32PG28 и StreamSNН, в котором обрабатывается одно волновое значение на временной шаг с использованием усвоенных временных констант и фиксированных синаптических задержек для специальной схемы SKY130. Оценка камер, невидимых во время обучения, позволяет получить CS F1 в размере 0,873 с 1 018 параметрами и StreamSNN