本研究探讨了神经网络中的突触延迟参数化问题，提出了一种共享循环延迟队列（SCDQ）硬件结构，展示了其在内存扩展性和能效方面的优势。

本文提出了一种框架，用于在数字神经形态硬件中训练和部署高性能尖峰神经网络模型。该框架通过协同优化的突触延迟，在两个神经形态数字硬件平台上训练模型，并展示了从软件到硬件的过渡过程中的最小精度降低。