Нейроморфные процессоры привлекательны для приложений с ограниченными энергоресурсами, поскольку они разработаны для эмуляции энергоэффективных импульсных нейронных сетей (SNN) человеческого мозга. Цель данного исследования — оценить, обеспечивают ли современная методология проектирования SNN, преобразование искусственных нейронных сетей в импульсные (ANN-SNN) и новый нейроморфный процессор Loihi точный и энергоэффективный подход к классификации сердечного ритма с помощью нейронных сетей. Для проведения этой оценки сначала обучается одномерная сверточная нейронная сеть (1D-CNN) для классификации аритмий в искусственной области. Затем ANN преобразуется в архитектурно идентичную SNN с помощью фреймворка SNN-Toolbox. Наконец, производительность SNN на Loihi сравнивается с производительностью ANN на процессорах Intel Core i7, Intel Neural Compute Stick 2 (NCS2) и устройствах Google Coral Edge TPU (Edge TPU). На пяти классах нейронная сеть SNN достигает точности и макроусредненного показателя F1 97,8% и 87,9% соответственно, по сравнению с 98,4% и 90,8% для искусственной нейронной сети (ANN). С точки зрения производительности, Loihi работает с наименьшей динамической мощностью, но также и с наибольшей задержкой. В целом, по оценкам, Loihi обеспечивает в 1,5 раза и в 110 раз большее соотношение энергии и задержки по сравнению с NCS2 и Edge TPU соответственно. Эти результаты демонстрируют, что другие периферийные нейронные сети демонстрируют более высокую динамическую энергоэффективность для протестированной модели. Основываясь на полученных данных, в данном исследовании обсуждаются будущие направления совершенствования нейроморфных вычислений для приложений с ограниченными энергозатратами, таких как классификация сердечного ритма.
*Перевод выполнен с помощью нейросетей
Heartbeat Classification with Spiking Neural Networks on the Loihi Neuromorphic Processor
Neuromorphic processors are attractive for energy-constrained applications as they are designed to emulate the energy-efficient spiking neural networks (SNNs) of the human brain. This research aims to evaluate whether a state-of-the-art SNN design methodology, artificial-to-spiking neural network (ANN-to-SNN) conversion, and a novel neuromorphic processor, Loihi, together provide an accurate and energy-efficient approach for heartbeat classification with neural networks. To perform this evaluation, a 1D-convolutional neural network (1D-CNN) is first trained to classify arrhythmias in the artificial domain. The ANN is then converted to an architecturally identical SNN with the SNN-Toolbox framework. Finally, the performance of the SNN on Loihi is compared to the performance of the ANN on Intel Core i7 CPU, Intel Neural Compute Stick 2 (NCS2), and Google Coral Edge TPU (Edge TPU) devices. Over five classes, the SNN reaches an accuracy and macro-averaged F1 score of 97.8% and 87.9%, respectively, compared to 98.4% and 90.8% for the ANN. In terms of performance, Loihi is found to operate at the lowest dynamic power, but also at the highest latency. Overall, Loihi is estimated to result in a 1.5× and 110× higher energy-delay product versus the NCS2 and Edge TPU, respectively. These results demonstrate other edge neural network devices to be more dynamic energy-efficient for the model tested. Based on the insights gained, this study discusses future directions to enhance neuromorphic computing for energy-constrained applications like heartbeat classification.