机构名称：
¥ 1.0
神经形态计算具有多种特性，使其成为后摩尔计算中极具吸引力的计算范式。这些特性包括内在并行性、固有可扩展性、共置处理和内存以及事件驱动计算。虽然这些特性为神经形态系统带来了能源效率，但它们也带来了一系列挑战。神经形态计算的最大挑战之一是建立神经形态算法计算复杂性的理论基础。在本文中，我们迈出了定义神经形态算法的空间和时间复杂性的第一步。具体来说，我们描述了一种神经形态计算模型，并陈述了控制神经形态算法计算复杂性的假设。接下来，我们提出了一个理论框架来定义神经形态算法的计算复杂性。我们根据我们的神经形态计算模型，明确定义了神经形态算法中的空间和时间复杂性。最后，我们利用我们的方法并定义了六种神经形态算法的计算复杂性：常量函数、后继函数、前驱函数、投影函数、神经形态排序算法和邻域子图提取算法。
神经形态算法的计算复杂性
主要关键词
相关文件推荐
