Q-SNNs: Quantized Spiking Neural Networks

这篇摘要讲的是脑启发型脉冲神经网络（SNNs）利用稀疏脉冲来表示信息，并以异步事件驱动的方式处理信息，为下一代机器智能提供了一种节能的范式。然而，SNN社区目前的重点是通过开发大规模模型来优化准确性，这限制了它们在资源受限和低功耗边缘设备中的可行性。为了解决这个挑战，我们介绍了一种轻量级且硬件友好的量化SNN（Q-SNN），它将量化应用于突触权重和膜电位。通过显著压缩这两个关键元素，所提出的Q-SNN大大降低了内存使用和计算复杂度。此外，为了防止由于压缩而导致的性能降低，我们提出了一种基于信息熵理论的权重-脉冲双重调节（WS-DR）方法。在包括静态和神经形态等各种数据集上的实验评估表明，我们的Q-SNN在模型大小和准确性方面优于现有方法。这些效率和功效方面的最新成果表明，所提出的方法可以显著改善边缘智能计算。

提出一种轻量级硬件友好的量化脉冲神经网络（Q-SNN）来解决SNN在资源受限和低功耗边缘设备上的可行性问题。

通过对突触权重和膜电位的量化，显著压缩这两个关键元素，从而大大减少内存使用和计算复杂性，并提出了一种基于信息熵理论的新的权重-脉冲双重调节（WS-DR）方法来防止由此引起的性能下降。

实验评估表明，与现有方法相比，Q-SNN在模型大小和准确性方面均优于现有方法。该方法在效率和功效方面的最新结果表明，可以显著改善边缘智能计算。

最近的相关研究包括“Spiking Neural Network for Object Recognition on SpiNNaker”和“Spiking Neural Networks for Object Detection and Localization: A Review”。