Краткое содержание

arXiv:2511.12136v1 Тип: новая работа Аннотация: Спайковые нейронные сети (SNN) обмениваются данными посредством дискретных спайков (импульсов) во времени, а не непрерывных активаций. Их событийно-ориентированная природа дает преимущества для временной обработки и энергоэффективности на аппаратных средствах с ограниченными ресурсами, однако обучение и развертывание остаются сложными задачами. Мы представляем облегченную среду выполнения на языке C для вывода SNN на периферийных устройствах и методы оптимизации, которые снижают задержку и объем используемой памяти без потери точности. Обученные модели, экспортированные из SNNTorch, преобразуются в компактное представление на C; статическое, кэш-дружественное размещение данных и предварительное выделение памяти позволяют избежать накладных расходов интерпретатора и аллокации. Мы также используем разреженную спайковую активность для отсечения неактивных нейронов и синапсов, сокращая вычисления в вышележащих сверточных слоях. Эксперименты на N-MNIST и ST-MNIST показывают функциональную эквивалентность с базовой реализацией на Python, при этом достигается ускорение примерно в 10 раз на настольном CPU и дополнительный выигрыш при использовании отсечения, вместе со значительным сокращением использования памяти.