如何在边缘人工智能计算中利用神经形态设备？

模仿人脑结构和功能的神经形态计算可用于边缘计算，以提高能效、速度和适应性。通过在本地处理数据并使用事件驱动计算，神经形态芯片可以优化边缘人工智能应用中的资源使用，减少对集中式云处理的依赖。

尖峰神经网络 （SNN） 是实现神经形态计算系统的最常见方法。与卷积神经网络 （CNN） 一样，SNN 是一种特定类型的人工神经网络 （ANN）。

数据表示和推理所需的前向计算次数是CNN和SNN之间的重要区别。在人工神经网络中，神经元的输入和输出信号都是实数，推理只需要一次前馈传递。

另一方面，SNN 会遇到推理延迟。SNN 输入和输出信号是给定周期内的稀疏尖峰，推理需要在此周期内进行多次前馈传递。人工神经网络处理实值，而 SNN 处理尖峰（图 1）。

图 1.2层神经网络（a）、2层神经网络架构（b）和2层神经网络架构（c）的一般架构比较。（图片来源：MDPI 应用科学)

SNN 基础知识

SNN 中每个神经元的膜电位是一个关键要素。当神经元接收到来自 SSN 中其他神经元的输入信号（尖峰）时，它会发生变化。兴奋性输入导致膜电位变得更加正。当接收到抑制性输入时，电位变得更加负。

当膜电位达到临界阈值时，神经元将产生输出尖峰（“火”）。这种机制使 SNN 能够根据尖峰的时间和频率处理信息。阈值是在 SNN 训练期间确定的。

单个尖峰代表离散事件或信息片段，并且该信息根据尖峰的时间和频率通过 SNN 传输。

尖峰通过突触连接在神经元之间传播。突触连接具有相关的权重，这些权重决定了尖峰对接收神经元的影响程度。重量是在训练期间确定的。

SNNs 的优势

SNN 可以增强物联网 （IoT） 设备、智能传感器、机器人和自动驾驶汽车等边缘应用的性能。由于它们使用基于尖峰的通信进行作，因此 SNN 仅在需要时激活，从而最大限度地降低功耗。

像 SNN 这样的神经形态芯片可以实现并行处理，加快响应时间和决策速度。它们非常适合处理非结构化和流数据，一些神经形态芯片架构同时集成了 SNN 和内存，支持内存计算并减少数据传输延迟并进一步降低功耗。

模拟与数字SNN

SNN 可以使用模拟或数字技术实现。两者都使用尖峰进行神经元之间的通信，并且是事件驱动的。模拟 SNN 使用连续信号，而数字 SNN 使用数字信号和处理。

模拟 SNN 在能效（它们的能耗比数字 SNN 低 20 倍）、小尺寸和模拟信号实时处理方面具有优势。模拟SNN可以直接处理来自传感器的模拟信号，而无需模数转换。这可以带来更快的响应时间和更简单的系统。

数字 SNN 使用 CPU 或 FPGA 来模拟尖峰神经元活动。它们比模拟方法更具可扩展性，并且可以更轻松地支持更大的 SNN。数字 SNN 比它们的模拟表亲更准确、更可靠。

集成 SNN

包含SNN的商用IC已经开始出现。这些初始产品往往是高度集成的通用设备。在一种情况下，该 IC 集成了模拟和数字 SNN，并结合了用于传统 CNN 和快速傅里叶变换 （FFT） 的 RISC-V CPU 和加速器（图 2）。集成内存，可支持内存内和近内存处理。

图 2.该神经形态信号处理器包括模拟和数字 SNN（右上）以及 RISC-V CPU 以及 CNN 和 FFT 加速器。（图片来源：Innatera)

总结

SNN 等神经形态设备可用于最大限度地降低功耗并支持从传感器融合到自动驾驶汽车和机器人技术等边缘 AI 应用中的实时处理。SNN 是人工神经网络的一种特殊形式，可以使用模拟或数字技术实现。集成了针对边缘传感应用优化的SNN的商用IC已经开始出现。