SpikeQ : quantification post-entraînement guidée par les spikes pour les SNN
En bref
- SpikeQ optimise la quantification des SNN en ciblant les erreurs de spikes plutôt que les erreurs numériques classiques.
- Avec des poids et potentiels membranaires à 4 bits, la précision reste proche de celle en précision totale.
- La méthode réduit jusqu'à 7,9 fois la taille mémoire et 6,9 fois la consommation énergétique des modèles.
SpikeQ propose une méthode de quantification post-entraînement pour les réseaux de neurones à impulsions (SNN) adaptée aux puces neuromorphiques. Elle réduit l'erreur de quantification en se basant sur les spikes plutôt que sur les erreurs numériques classiques. Les résultats montrent une perte minimale de précision avec des poids et potentiels membranaires à 4 bits, tout en réduisant la consommation mémoire et énergétique.
Ce résumé vous donne l'essentiel. L'article complet, ses chiffres et ses citations sont chez cs.AI updates on arXiv.org.
Lire l'article originalRésumé généré par IA à partir de la source, relu par règles. Comment nous rédigeons · Signaler une erreur