Spiking Neural Network Implementation on FPGA for Multiclass Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spiking Neural Network (SNN) is a particular Artificial Neural Networks (ANN) form. An SNN has similar features as an ANN, but an SNN has a different information system that will allow SNN to have higher energy efficiency than an ANN. This paper presents the design and implementation of an SNN on FPGA. The model of the SNN is designed to be lower power consumption than existing SNN models in the aspect of FPGA implementation and lower accuracy loss than the existing training method in the part of the algorithm. The coding scheme of the SNN model proposed in this paper is the rate coding scheme. This paper introduces a conversion method to directly map the trained parameters from ANN to SNN with negligible classification accuracy loss. Also, this paper demonstrates the technique of FPGA implementation for Spiking Exponential Function, Spiking SoftMax Function and Dynamic Adder Tree. This paper also presents the Time Division Component Reuse technic for lower resource utilization in the FPGA implementation of SNN. The proposed model has a power efficiency of 8841.7 frames per watt with negligible accuracy loss. The benchmark SNN model has a power efficiency of 337.6 frames per watt with an accuracy loss of 1.42 percent. The reference accuracy of the ANN model is 90.36 percent. For comparison, the specific model of the SNN has an accuracy of 90.39 percent.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle