DAC 2021
背景
通过ANN2SNN的方法得到的SNN中，存在准确性和延迟之间的一种权衡关系，在较大的数据集（如ImageNet）上可能会有较高的延迟。
主要贡献
- 分析了转换后SNN精度与延迟之间存在权衡关系的原因，并指出了如何缓解这种权衡关系；
- 提出TCL(trainable clipping layer)技术改善权衡关系，TCL的剪裁区域是被训练过的，跟着ReLU层，可以找到精度与延迟之间的最优数据归一化因子；
- 通过适当控制L2正则化系数，进一步提高了极低延迟约束下SNN的精度。
主要内容与方法
ANN2SNN误差分析
f是放电率，a是激活值，deta是量化解（我的理解是a_limit是转换中可映射的最大激活值）。
ANN2SNN实际上就是用量化的激活值匹配放电率，但量化误差是不可避免的。可以通过增加延迟T或者减小a_limit来减小量化误差，这也是ANN2SNN过程中存在精度和延迟之间权衡关系的原因。
通过上面这个图也可以看到，ANN大部分激活值都不是特别接近最大激活值，有90.00%~99.99%都是在[0, max / 3]的范围里，但由于a_limit的选择，可能造成不同的损失：当a_limit＜a_max，一部分激活值被剪裁掉了，造成了损失；当a_limit＞a_max，又会造成量化误差。
可训练的剪裁层(Trainable Clipping Layer)
clipping layer的功能如（9）所示，λ是可训练参数，其梯度用（10）计算，更新规则如（11）。
其中η是学习率，α是L2正则化系数，L是ANN的loss。
实验结果
从实验结果可以看出，TCL技术对比SOTAs取得了两方面重要成就：
- 尽管限制了激活值的范围，TCL几乎不影响ANN的精度；
- 转换后的SNN具有与原ANN相当的精度，并且延迟也较为适中。
总结
本文提出了一种基于ANN-to-SNN转换的可训练剪裁层技术，即TCL，缓解了SNN精度和延迟之间的权衡关系。实验结果表明，基于TCL的SNN即使在250个时钟周期的小延迟下，也能获得几乎相当ANN的精度，很好地验证了TCL的有效性。
