摘要 - 急流尖峰神经网络(SNN)的灵感来自生物神经系统的工作原理,这些原理提供了独特的时间动态和基于事件的处理。最近,通过时间(BPTT)算法的错误反向传播已成功地训练了局部的SNN,其性能与复杂任务上的人工神经网络(ANN)相当。但是,BPTT对SNN的在线学习方案有严重的局限性,在该场景中,需要网络同时处理和从传入数据中学习。特别是,当BPTT分开推理和更新阶段时,它将需要存储所有神经元状态以及时计算重量更新。要解决这些基本问题,需要替代信贷分配计划。在这种情况下,SNN的神经形态硬件(NMHW)实现可以极大地利用内存计算(IMC)概念,这些概念(IMC)概念遵循记忆和处理的脑启发性搭配,进一步增强了他们的能量效率。在这项工作中,我们利用了与IMC兼容的生物学启发的本地和在线培训算法,该算法近似于BPTT,E-Prop,并提出了一种支持使用NMHW的经常性SNN推理和培训的方法。为此,我们将SNN权重嵌入了使用相位变更内存(PCM)设备的内存计算NMHW上,并将其集成到硬件中的训练设置中。索引术语 - 在线培训,尖峰神经网络,神经形态硬件,内存计算,相位变化内存我们使用基于PCM的仿真框架和由256x256 PCM Crossbar阵列的14NM CMOS技术制造的内存内计算核心组成的NMHW开发了模拟设备的精确度和瑕疵的方法。我们证明,即使对4位精确度也是强大的,并实现了32位实现的竞争性能,同时为SNN提供了在线培训功能,并利用了NMHW的加速收益。
主要关键词