Natively neuromorphic LMU architecture for encoding-free SNN-based HAR on commercial edge devices

神经形态计算模型通过采用生物可信的神经元模型，借鉴人脑的思维方式，构建了替代传统机器学习（ML）和深度学习（DL）解决方案的模型。然而，专门用于实现基于大脑计算的仿真的硬件稀缺，这仍然阻碍了神经形态计算在边缘设备和嵌入式系统中的广泛应用。基于这个前提，我们采用神经形态计算的视角，针对传统硬件提出了L2MU，这是一个完全依赖于漏电积分-火（LIF）神经元的本地神经形态传奇记忆单元（LMU）。具体而言，通过使用由LIF或基于电流的（CuBa）LIF神经元组成的神经元群体对每个组成元素进行建模，重新设计了LMU的原始递归架构。为了将神经形态计算与现成的边缘设备相结合，我们为L2MU配备了一个输入模块，用于将实际值转换为脉冲，使其成为一种无编码的实现循环脉冲神经网络（RSNN），能够直接处理非专用硬件上的原始传感器信号。作为验证我们网络的用例，我们选择了人体活动识别（HAR）任务。我们在手部定向活动的智能手表信号上对L2MU进行了基准测试，并在压缩版本上部署在三个不同的商用边缘设备上。报告的结果强调了考虑神经形态模型不仅与专用硬件的独占关系，而且作为使用常见传感器和设备的合适选择的可能性。

本论文旨在探讨如何将神经形态计算应用于传统硬件，以及如何利用神经元群模型构建一种基于Leaky Integrate-and-Fire（LIF）神经元的本地神经形态记忆单元（L2MU），并用于人类活动识别任务。

论文的关键思路是使用LIF和CuBa LIF神经元构建神经元群模型，重新设计了LMU的循环架构，并为其配备了输入模块，以将实际值转换为脉冲信号，使其能够在非专用硬件上直接处理原始传感器信号。

论文的亮点包括：采用神经形态计算模型进行传统硬件上的实现；使用LIF和CuBa LIF神经元构建神经元群模型；使用L2MU进行人类活动识别任务，并在三种商用边缘设备上进行了测试；实现了编码无关的循环脉冲神经网络；提供了压缩版本的实验数据和开源代码。

最近的相关研究包括：基于神经形态计算的边缘智能计算；神经形态计算模型在人类活动识别任务中的应用；基于神经元群模型的神经网络设计等。