FPGA片上训练SNN论文称吞吐量提升2.5-6倍

Syracuse 大学 Jingang Jin 等在 arXiv 发布论文，提出基于 FPGA 的多层脉冲神经网络（SNN），训练与推理在同一硬件上完成，并用仅时间前向训练算法替代传统 BPTT，以降低存储和延迟开销。 基于论文摘要，该设计在 MNIST 和五个多变量时间序列分类数据集上，准确率与 BPTT 训练的 SNN 或 LSTM 相当；相比 CPU 和 GPU 实现，吞吐量提高 2.5 至 6 倍，每样本能耗降低一个数量级。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。