Microcontroller based Applications for Spiking Neural Networks on Time Continuous Data Streams

SNNs sind ein Ansatz für neuronale Netze, die gepulste Aktivierungsfunktionen verwenden, um Neuronenaktivierungen nahe an neurowissenschaftlichen Beobachtungen zu modellieren. Die Arbeit verwendet einen zeitdiskretisierten Ansatz für SNNs und einen überwachten Lernansatz zur Optimierung der Netzparameter für verschiedene Anwendungen. Die Anwendungen umfassen Feldorientierte Regelung für Zeitreihenregression, Radar-basierte Objektklassifizierung und Radar-basierte Gestenerkennung für Zeitreihenklassifizierung. Alle Anwendungen erfordern, dass ein Netzwerk während der Inferenz mit einem kontinuierlichen Datenstrom arbeitet. Die Arbeit schlägt mehrere Ansätze vor, um die Rechenlast von trainierten Netzen während der Inferenz zu reduzieren. Dazu gehören die Ausnutzung der Generalisierungsfähigkeit im Zeitbereich und ein Regularisierungsschema, das die Aktivierungswahrscheinlichkeit der gepulsten-Neuronen innerhalb des Netzes reduziert. Ein Benchmark quantifiziert den Nutzen der vorgeschlagenen Ansätze in Bezug auf die reduzierte Laufzeitlatenz und den Speicherbedarf auf einem Mikrocontrollersystem. Die Ergebnisse zeigen die Auswirkung, unter welchen Bedingungen SIMD-basierte Rechner von den vorgeschlagenen Konzepten profitieren können, und quantifizieren den Nutzen einer klassischen Rechnerarchitektur zur Berechnung von gepulsten neuronalen Netzen.