FPGA脉冲神经网络实现片上训练与推理
热点事件持续更新
FPGA脉冲神经网络实现片上训练与推理
1 篇报道1 个报道来源19 小时前更新
先了解这件事
AI 综述
2026年10月14日，arXiv Artificial Intelligence 刊出研究，提出一种基于 FPGA 的多层脉冲神经网络（SNN）实现，用于时空模式学习与分类，推理与训练均在同一硬件上完成。该工作采用时间前向训练算法，以规避基于时间反向传播（BPTT）的内存与延迟开销，并使用混合精度方案平衡训练稳定性与资源效率。在 MNIST 和五个多变量时间序列分类数据集上，全片上训练的 SNN 精度与用 BPTT 训练的 SNN 或 LSTM 相当；吞吐量比 CPU 和 GPU 实现高 2.5 至 6 倍，每样本能耗低一个数量级。上述结果与条件均出自该论文自述，尚待独立验证。
AI 根据报道生成 · 2 小时前更新
最新进展10月14日 12:00
基于 FPGA 的脉冲神经网络实现时空模式学习与分类报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv Artificial Intelligence基于 FPGA 的脉冲神经网络实现时空模式学习与分类
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，并用混合精度方案平衡训练稳定性与资源效率。在 MNIST 和五个多变量时间序列分类数据集上，全片上训练的 SNN 精度与用 BPTT 训练的 SNN 或 LSTM 相当，吞吐量比 CPU 和 GPU 实现高 2.5 至 6 倍，每样本能耗低一个数量级。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。