Cet article examine le potentiel combiné de l'informatique neuromorphique et de l'informatique en périphérie pour développer un système d'apprentissage automatique (ML) flexible destiné à traiter les données provenant de capteurs de vision dynamique. Nous construisons et entraînons des modèles hybrides qui intègrent des réseaux neuronaux à impulsions (SNN) et des réseaux neuronaux artificiels (ANN) en utilisant les frameworks PyTorch et Lava. Nous explorons les effets de la quantification sur les modèles ANN pour évaluer son impact sur la précision et l'efficacité énergétique. De plus, nous abordons les défis de déploiement des modèles hybrides sur matériel en implémentant des composants individuels sur des plateformes spécifiques en périphérie. Nous proposons également un circuit accumulateur pour relier les domaines à impulsions et non à impulsions. Des analyses de performance complètes sont menées sur un système hétérogène de matériel AI neuromorphique et en périphérie, évaluant la précision, la latence et la consommation d'énergie. Nos résultats montrent que les réseaux à impulsions hybrides améliorent la précision et l'efficacité énergétique. De plus, nous constatons que la quantification améliore les réseaux hybrides, réduisant encore la consommation d'énergie tout en augmentant la précision.
Seekings et al. (Mar,) ont étudié cette question.