本文介绍了一种新方法，通过阈值相关批归一化和空间时间反向传播直接训练深度脉冲神经网络（SNN），在多个数据集上取得高准确率。研究探讨了脉冲神经网络的训练挑战及其在神经形态硬件上的应用，强调算法与硬件的共设计，以实现高效能和低延迟。

本文介绍了一种将深度神经网络转换为脉冲神经网络的通用方法，并探讨了在神经形态硬件上部署后的性能提升。研究表明，采用新技术后，功耗降低27倍，能耗降低5倍。通过优化多芯片网络和正则化方法，确保在降低功耗的同时保持高准确性，为高效机器学习应用提供了新思路。

该论文提出了tinySNN框架，通过优化操作和量化参数，提高了脉冲神经网络（SNN）在内存和能源需求上的效率，同时保持高准确性。研究还探讨了人工神经网络（ANN）到SNN的转换方法及其在神经形态硬件上的应用，展示了在多个数据集上的优异性能和能效。

该文介绍了一种基于神经科学的SNN模型，利用内在可塑性实现监督学习。该模型基于局部脉冲事件，可应用于神经形态硬件，表现良好。