Reconfigurable Digital FPGA Implementations for Neuromorphic Computing: A Survey on Recent Advances and Future Directions
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
Neuromorphic computing represents hardware and software paradigms that emulate neural brain functionalities. Spiking neural networks (SNNs) are a promising brain-inspired computing approach to achieve power efficiency through event-driven processing using discrete asynchronous spikes, making them particularly effective for spatiotemporal data processing. The complex computational nature of SNNs requires intensive calculations and specialized algorithms to ensure accurate performance across different tasks. Hardware accelerators for neuromorphic computing, particularly for SNN implementations, have emerged primarily through field programmable gate arrays (FPGAs) and application-specific integrated circuits (ASICs). FPGAs are especially attractive for neuromorphic computing due to their flexibility, stability, programmability, reconfigurability, and rapid time to market. This research explores top-tier and well-known journal articles from the IEEE Xplore digital library and the Google Scholar databases including IEEE, ACM, Frontiers, Elsevier, Springer, MDPI, Wiley, arXiv, and Nature publishers. In this survey, various energy-efficient and high-performance FPGA implementations of spiking neurons and SNNs are reviewed. The accuracy rates of the implemented SNNs on different applications are investigated. Also, digital hardware optimization techniques for reconfigurable implementations are discussed. The synthesis results from the presented implementations are reported and compared in terms of cost (referring to utilized resources such as Registers/FFs, LUTs, Multipliers, DSP blocks, and Block RAMs), speed, and power/energy consumption. The survey concludes with recommendations for future research directions in FPGA-based neuromorphic computing.
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 | 0,001 |
| 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