Mitigating Imprecise Timing in Spiking Neural Networks through Offset-Aware Training
Notice bibliographique
Résumé
Neuromorphic accelerators, whether asynchronous meshes or globally-asynchronous, locally synchronous (GALS) fabrics, usually devote die area to barrier synchronizers, finely tuned clock trees, and metastability filters to keep spikes in lock-step. How much of that circuitry is truly indispensable? We quantify the intrinsic jitter tolerance of spiking neural networks (SNNs) and show how to push this tolerance further. We introduce a clock offset injector, a single GPU tensor op that time-shifts each core’s spikes by an arbitrary delay, and allows any PyTorch SNN to be stress-tested or hardened without code changes. Vision (N-MNIST) and audio (Spiking Heidelberg Digits) models, trained with and without our proposed offset-aware augmentation, are evaluated across nine skew levels (0-50% of the sample window) and up to eight cores. Baseline N-MNIST stays within ±1 percentage points (pp) until skew reaches 18 ms (6.1%). By accounting for temporally misaligned spikes during training time, we extend survival to 46 ms. Timing-critical SHD collapses beyond 23 ms (9%) but regains 6-9 pp after augmentation. These numbers map out safe envelopes for clock simplification: vision-only workloads can tolerate ≈ 3 ms per hop, while mixed vision-audio workloads must hold skew below 2 ms, or depend on timing-offset aware training. This ultimately shows how to enable lower-effort clocking and using software-level mitigation when needed.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».