arXiv cs.AI· Arooba Farhan, Afsah Syed, Muhammad Fahd Ibrahim Bhatti, Muhammad Areeb Khalid Kidwai, Muhammad Ahsan Salar Khan, Vincenzo Romano, Muhammad Ali Siddiqi·· 13 小时前AI 评分18
面向实时浦肯野细胞棘波分类的硬件匹配脉冲神经网络
Hardware-Matched Spiking Neural Networks for Real-Time Purkinje Cell Spike Classification
AI 导读
研究提出两款与目标硬件匹配的紧凑脉冲神经网络（SNN）：ConvSNN 映射到 EFM32PG28 微控制器的 MVP，StreamSNN 面向 SKY130 专用电路。
正文 · AI 翻译
摘要：区分浦肯野细胞（PC）的简单锋电位（SS）与复杂锋电位（CS）是研究小脑功能的关键。PC 记录通常依赖有线头戴式放大器，其线缆限制了自由活动动物的自然运动。无线头戴式放大器消除了这一限制，但无法在功耗预算内持续传输原始记录，因此只要能在受限硬件上实时准确运行，在头戴式放大器上进行锋电位分类就成为一种有吸引力的压缩方式。本文提出了两个与其目标硬件相匹配的紧凑型脉冲神经网络（SNN）：ConvSNN 映射到 EFM32PG28 微控制器的矩阵向量处理器（MVP），StreamSNN 则针对专用 SKY130 电路，利用学习到的时间常数和固定突触延迟，每个时间步处理一个波形值。在训练期间未见过的细胞上评估，ConvSNN 以 1,018 个参数达到 0.873 的 CS F1，StreamSNN 以 527 个参数达到 0.837，两者均使用八位权重。在微控制器上，MVP 加速将 ConvSNN 的延迟降低 62.3\%，并将 50~mAh 电池的估计续航延长至 33.73~小时。在 SKY130 中，StreamSNN 占用 0.173~mm$^2$，每次事件消耗 0.46~$\mu$J，计算耗时 0.2~ms，端到端延迟为 8.3~ms。
| 学科： | 硬件架构（cs.AR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.37104 [cs.AR] |
| （或 arXiv:2610.37104v1 [cs.AR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37104 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Arooba Farhan [查看电子邮件]
[v1]
2026 年 10 月 27 日星期二 12:05:38 UTC（1,902 KB）
来源：arXiv cs.AI · arxiv.org