本文介绍了一种将深度卷积神经网络（CNNs）转化为深度脉冲神经网络（SNNs）的方法，适用于多种CNN操作。实验结果表明，该方法在MNIST和CIFAR10数据集上表现优异。此外，研究提出了基于Transformer的Spikingformer，显著降低能耗并提高图像分类准确率，首次在ImageNet上实现超过80%的准确性。

本文介绍了一种新算法ST-RSBP，用于训练深度脉冲神经网络（SNNs），在多个数据集上表现优于传统模型。研究表明，SNNs在边缘AI硬件上具有高能效，性能接近经典递归神经网络。文章还探讨了算法与硬件的共设计，强调高能效与高准确性之间的权衡，并展望了可部署SNN系统的未来。

本文提出了一种新方法，通过知识蒸馏联合训练深度脉冲神经网络（SNN）和人工神经网络（ANN），显著提高了SNN的性能和适应性。引入注意力机制和分层知识蒸馏框架LaSNN，使得SNN在多个数据集上表现优异，尤其在CIFAR100分类任务中，脉冲ResNet-18模型仅需4个时间步即可达到77.39%的准确率。