{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2024,6,25]]，“日期-时间”：“2024-06-25T00:13:07Z”，“时间戳”：1719274387006}，“出版商位置”：“美国纽约州纽约市”，“参考-计数”：21，“出版者”：“ACM”，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“国家自然科学基金”，“doi-asserted-by”：“publisher”，“award”：[“61834006，62102257 and U19B2035”]}，{“doi”：“10.13039\/501100012166”，“name”：“中国国家重点研发计划”，“doiasserted-by“：”publisher“，”award“：[“2018YFB1403400”]}]，“content-domain”：{“domain”:[“dl.acm.org”]，“cross-mark-restriction”：true}，“short-container-title”：[]，“published-print”用法：{“date-parts”：[[2022,7,10]]}，“DOI”：“10.1145\/3489517.3530592”，“type”：“proceedings-article”，“created”：{”date-part“：[[22022,8,23]]，“date-time”：“2022-08-23T19:29Z”，“timestamp”：1661296769000}，”update-policy“：”http://\/dx.DOI.org\/10.1145\/crossmark-policy“，”source“Crossref”，“is”referenced-by-count“：3，”title“：[”SATO“]，”prefix“：”10.1145“，”author“：[{“given”：“Fangxin”，“family”：“Liu”，“sequence”：“first”，“affiliation”：“[{”name“：“Shanghai Jiang University”}]}，{“given”:“Wenbo”，“家庭”：“Zhao”，”sequence“：“additional”，“filiation“：[{name”：“Shang Jiang University”{]}，{“given”：“永彪”，“family”：“Chen”，“sequence”：“additional”，“affiliation”：[{“name”：“Shanghai Jiang University”}]}，{“fixed”：“Tao”，“家人”：“Yang”，“序列”：“附加的”，“从属关系”：[}“name“：上海交通大学”}]{，{given：“柘枝”，“家庭”：“He”，{“给定”：“小康”，“家庭”：“杨”，“序列”：“附加”，“隶属关系”：[{“名称”：“上海交通大学”}]}，{“给出”：“李”，“家族”：“江”，“顺序”：“额外”，“从属关系”：[{“姓名”：“沪交大”}]]，“成员”：“320”，“在线发布”：{“日期部分”：[2022,8,23]}、“参考”：[}“密钥”：“e_1_3_2_1 _1_1“，”卷标“：“Truenorth:一个650兆瓦100万神经元可编程神经突触芯片的设计和工具流程。TCAD”，“作者”：“Filipp Akopyan”，“年份”：“2015年”，“非结构化”：“Filipp Ackopyan等人，2015年。特鲁诺思：一个65兆瓦100万神经元可编程神经突触芯片的设计和工具流程。TCAD（2015）。“}，{”key“：”e_1_3_2_1_2_1“，”volume-title“：”IEEE Proc.“，”author“：”Varkey Ben“，“year”：“2014”，“unstructured”：“Ben Varkey Banjamin et al.2014”。Neurogrid：用于大规模神经模拟的混合模拟数字多芯片系统。程序。IEEE（2014）。“}，{”key“：”e_1_3_2_1_3_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145 \/3007787.3001177”}，“key”：“e_1_ 3_2_1_4_1”，“doi-assert-by”：“crossref”，”unstructured“：”Iulia M Comsa et al.2020。具有α突触功能的脉冲神经网络中的时间编码。在ICASSP中。电气与电子工程师协会。“，”DOI“：”10.1109\/ICSPSP4076.2020.9053856“}，{”key“：”e_1_3_2_1_5_1“，”volume-title“：”Loihi:具有片上学习功能的神经形态多核处理器。Ieee Micro“，“作者”：“Mike Davies”，“年份”：“2018”，“非结构化”：“迈克·戴维斯等人，2018。Loihi：具有片上学习功能的神经形态多核处理器。Ieee Micro（2018）。“}，{”key“：”e_1_3_2_1_6_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Lei Deng et al.2020。重新思考SNNS和ANNS的性能比较。神经网络（2020）。“，”DOI“：”10.1016\/j.neut.2019.09.005“}，｛”key“：”e_1_3_2_1_7_1“，”DOI断言“：”crossref“，”非结构化“：”Wei Fang等人2021。加入可学习的膜时间常数以增强尖峰神经网络的学习。在ICCV中。“，”DOI“：”10.1109\/ICCV48922.2021.00266“}，{”key“：”e_1_3_2_1_8_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Bing Han and Kaushik Roy.2021。深度峰值神经网络：通过基于时间的编码实现能源效率。在ECCV中。388--404.“，”DOI“：”10.1007\/978-3-030-58607-2_23“}，{”key“：”e_1_3_2_1_9_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Alireza Khodamaradi Kristof Denolf and Ryan Kastner，2021。S2N2：流尖峰神经网络的FPGA加速器。在FPGA中。194--205.“，”DOI“：”10.1145\/3431920.3439283“}，{“key”：“e_1_3_2_1_10_1”，“volume-title”：“BSNN:使用双稳态神经元更快更好地将ANN转换为SNN。arXiv”，“author”：“杨莉”，“year”：“2021”，“unstructured”：“杨莉等人2021”。BSNN：利用双稳态神经元实现更快更好地将ANN转换为SNN。arXiv（2021）。}，{“key”：“e_1_3_2_11_1”，“volume-title”：“SSTDP：有效尖峰神经网络训练的监督尖峰时间依赖性可塑性。神经科学前沿”，“author”：“Fangxin Liu”，“year”：“2020”，“unstructured”：“Fongxin Leu et al.2020”。SSTDP：有效尖峰神经网络训练的监督尖峰时间相关可塑性。神经科学前沿（2020）。“}，{”key“：”e_1_3_2_12_1“，”doi-asserted-by“：”crossref“，”unstructured“：”Maryam Mirsadeghi等人，2021。STiDi-BP：多层SNN中基于峰值时间位移的误差反向传播。神经计算（2021）。“，”DOI“：”10.1016\/j.neucom.2020.11.052“}，{”key“：”e_1_3_2_13_1“，”unstructured“：”Naveen Muralimanohar等人，2009年。CACTI 6.0：了解大型缓存的工具。犹他大学和惠普实验室技术代表（2009年）。“}，{”key“：”e_1_3_2_14_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Surya Narayanan等人，2020年。SpinalFlow：一种为峰值神经网络量身定制的架构和数据流。在ISCA中。电气与电子工程师协会。“，”DOI“：”10.1109\/ISCA45697.2020.00038“}，{”key“：”e_1_3_2_15_1“，”volume-title“：”训练能量高效的深度尖峰神经网络，时间到第一尖峰编码。arXiv“，”author“：”Park Seongsik“，”year“：”2021“，”unstructured“：”Seongsik-Park and Sungroh-Yoon.2021。使用时间到第一个峰值编码训练能量高效的深度峰值神经网络。arXiv（2021）。“}，{”key“：”e_1_3_2_1_16_1“，”unstructured“：”Kaushik Roy等人2019年。使用神经形态计算实现基于尖峰的机器智能。《自然》（2019）。“}，{”key“：”e_1_3_2_1_17_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Abhronil Sengupta等人2019。深入研究峰值神经网络：VGG和剩余结构。神经科学前沿（2019年）。“，”DOI“：”10.3389\/fnins.2019.00095“}，{”key“：”e_1_3_2_18_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Sonali Singh等人，2020。NEBULA：用于SNN和ANN的基于神经形态自旋的超低功耗架构。在ISCA中。电气与电子工程师协会。“，”DOI“：”10.1109\/ISCA45697.2020.00039“}，{”key“：”e_1_3_2_19_1“，”unstructured“：”Synopsys.[Online].https:\/\/www.Synopsys.com/community\/university-program\/teaching-resources.html.“}”，{“key”：“e_1_ 3_2_1_20_1”，“volume-title”：“BP-STDP:使用棘时相关可塑性近似反向传播。神经计算”，“author”：“”Tavanaei Amirhossein“，“年份”：“2019年”，“非结构化”：“Amirhosein Tavanaei和Anthony Maida。2019.BP-STDP：使用峰值时间相关塑性近似反向传播。神经计算（2019）。“}，{”key“：”e_1_3_2_1_21_1“，”volume-title“：”Bismo:用于可重构计算的可扩展位序列矩阵乘法覆盖“，”author“：”Yaman Umuroglu“，”year“：”2018“，”unstructured“：”Jaman Umurouglu et al.2018“。Bismo：用于可重构计算的可扩展位序列矩阵乘法覆盖。以FPL表示。电气与电子工程师协会。“}]，”event“：{”name“：”DAC'22:第59届ACM\/IEEE设计自动化会议“，”location“：”San Francisco California“，”缩写词“：”SAC'22“，”赞助商“：[”SIGDA ACM设计自动化特别兴趣小组“，”IEEE CEDA“]}，”container-title“：[“第59届APM\/IEE设计自动化会议论文集”]，”原文标题“：[]，”链接“：[{”URL“：”https:\/\/dl.acm.org\/doi\/pdf\/10.1145\/3489517.3530592“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[[2024,6,24]]，”date-time“：“2024-06-24T22:43:23Z”，”timestamp“：1719269003000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3489517.3530592“}}，“副标题”：[“通过面向时间的数据流和体系结构加速神经网络”]，“短标题”：[]，“发布”：{“日期部分”：[[2022,7,10]]}，”references-count“：21，”alternative-id“：[”10.1145\/34897.3530592“，”10.1145\/3489517“]，”URL“：”http:\/\/dx.doi.org/10.1145\/3489517.3530592“，”relation“：｛｝，”subject“：[]，”published“：｛”date parts“：[[2022,7,10]]｝，”assertion“：[｛”value“：”2022-08-23“，”order“：2，”name“：”published“，”label“：”published“，”group“：｛”name“：”publication_history“，”label“：”publication_history“｝]]｝