近日，SynSense時識科技發表文章，展示了類腦音頻信號處理技術新成果：通過SynSense時識科技自研軟件Rockpool，開發基于脈沖神經網絡的信號處理，包括信號處理應用的設計、訓練，并部署至SynSense時識科技低維度類腦處理器Xylo中。研究顯示，在執行環境音檢測分類任務時，該應用準確率達到了98%，同時僅消耗93微瓦動態功耗（high accuracy： 98% at low power 《100μW inference power）。

“我們展示了基于Xylo的超低功耗實時音頻信號處理。Xylo突破了使用場景中的能耗限制，我們的成果旨在推動類腦處理器以及脈沖神經網絡成為商用超低功耗應用以及邊緣信號處理應用的絕佳選擇。”

Dylan Muir 全球研發副總裁

“我們還展示了一種簡單高效的軟件Rockpool，旨在簡化基于SNN的機器學習，可用于信號處理應用的設計、訓練，以及部署。對于廣大來自神經網絡背景的機器學習工程師，不要求具體的脈沖神經網絡經驗，也可進行脈沖神經網絡訓練以及部署。”Hannah Bos 高級機器學習工程師

Rockpool是一個開源Python軟件包，用于開發基于脈沖神經網絡的信號處理。Rockpool允許網絡的構建、訓練和測試，以及在事件驅動的神經形態硬件上的仿真。Rockpool為圖層提供了許多模擬后端，包括Brian2，NEST，Torch，JAX，Numba和raw numpy。Rockpool旨在簡化基于SNN的機器學習，而非為詳細模擬生物網絡而設計的。

脈沖神經網絡（SNN）為時間信號處理提供了一種高效的計算機制，尤其在與SNN推理的專用集成電路搭配時，尤其能凸顯其能效優勢。面向一系列對功耗有著限制的商業應用環境，脈沖神經網絡+SNN推理的處理器提供了一種適用于商用低功耗信號處理的絕佳方案。環境音檢測分類耳機、電話、助聽器等便攜式音頻設備往往通過噪音檢測以及聲音塑造來提升用戶的聽覺體驗。用于減少噪音的參數可由器件及用戶周圍的噪音水平及特點而定。例如，噪音過濾會隨用戶處于安靜的環境、車水馬龍的街道或嘈雜的咖啡館中而不同。為了選擇并預配置噪音減除方法，SynSense時識科技提出了一種低功耗方案，可連續且自動地對用戶所處的環境噪音分類。“我們訓練一種脈沖神經網絡并部署在類腦處理器上，以此進行連續信號的檢測。我們使用了QUT-NOISE噪聲集來訓練及評估這一應用，QUT-NOISE包含了咖啡館、家、汽車以及街道錄音。結果顯示，該項應用在準確率、延遲及功耗三大指標中表現更佳（準確率達到了98%，消耗93微瓦動態功耗）。”SynSense時識科技展示的Rockpool及Xylo音頻信號處理方案為廣大機器學習工程師進行脈沖神經網絡配置提供了支持，適用于商用脈沖神經網絡應用的設計及部署。自成立以來，SynSense時識科技專注于類腦軟硬件設計研發，已推出一系列類腦處理器及配套工具鏈。我們期待脈沖神經網絡及低功耗類腦處理器在端側低功耗機器學習領域作出卓越貢獻。

XYLO，世界領先的低維度類腦處理器XYLO是一款基于第三代人工神經網絡的、超低功耗（~0.1mW）的、always-on低維度信號專用的AI處理器。XYLO芯片內部集成了模擬前端預處理，可對低維度自然（模擬）信號直接進行進行預處理；內建神經網絡，支持脈沖神經網絡（SNN）和儲存池計算技術等；因此XYLO特別適合各種mems麥克風、溫度傳感器、壓力傳感器、振動傳感器、加速度傳感器、陀螺儀及肌電、心電等信號的智能處理。