arXiv cs.AI· Jingang Jin, Yue Ma, Zhenhang Zhang, Qinru Qiu·· 3 天前AI 评分22
基于 FPGA 的脉冲神经网络实现时空模式学习与分类
An FPGA-Based Spiking Neural Network for Spatiotemporal Pattern Learning and Classification
AI 导读
研究者提出一种 FPGA 实现的多层脉冲神经网络（SNN），推理与训练均在同一硬件上完成，采用时间前向训练算法规避 BPTT 的内存与延迟开销。在 MNIST 及五个多元时间序列分类数据集上，全片上训练的 SNN 精度与使用 BPTT 训练的 SNN 或 LSTM 相当。相比 CPU 和 GPU 实现，该 FPGA 设计吞吐量提升 2.5 至 6 倍，每样本能耗低一个数量级。
正文 · AI 翻译
摘要：脉冲神经网络（SNN）有望在边缘端实现高能效的时空模式识别，但高效部署与端侧自适应需要专用硬件。在本工作中，我们提出了一种用于时空模式分类的多层 SNN 的 FPGA 实现，其中推理与训练均在同一硬件上完成。我们的设计采用仅时间前向的训练算法，避免了传统时间反向传播（BPTT）带来的内存与延迟开销。混合精度方案在训练稳定性与资源效率之间取得平衡，架构优化则最大化了硬件与内存利用率。我们进一步识别并解决了推理与学习共享同一内存时出现的冒险，包括前向与反向访问模式之间的端口冲突，以及浮点电位累加中的写后读依赖。在 MNIST 和五个多元时间序列分类数据集上的实验评估表明，在完全片上训练的情况下，我们的 SNN 模型达到了与使用 BPTT 训练的 SNN 或 LSTM 相当的准确率。与基于 CPU 和 GPU 的实现相比，我们的 FPGA 设计吞吐量高出 2.5 至 6 倍，同时每个样本的能耗低一个数量级。
| 评论： | 6 页 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.17463 [cs.AI] |
| （或 arXiv:2610.17463v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17463 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Jingang Jin [查看邮箱]
[v1]
2026 年 10 月 12 日星期一 22:26:18 UTC（369 KB）
来源：arXiv cs.AI · arxiv.org