深度分析
CLANE：事件相機＋脈衝神經網路在 Intel Loihi 2 上實現端側持續學習的動作辨識
為即時 AR/VR 與機器人應用，系統需在裝置端邊學習新的人類動作且不遺忘既有類別。CLANE 在 Intel Loihi 2 上結合事件相機、脈衝卷積網路與擴展 CLP-SNN，並以時間聚合與定點正規化處理動作片段。整合式部署在晶片上完成推論與在線增量學習。於 THU E‑ACT‑50 評估顯示，在僅小幅準確度下降下，實現顯著能耗與延遲改善。
脈衝神經網路
深度分析
端到端 SNN 用於 LiDAR BEV 偵測：脈衝域損失與低能耗部署
為了在車用受限功耗下達成精準三維偵測，研究提出以脈衝神經網路（SNN）處理LiDAR BEV點雲的端到端架構；採surrogate gradient訓練、兩種推論變體（膜電位與全脈衝）與兩項脈衝域損失，並比較四種輸入編碼；在KITTI上接近CNN水準，保守估算可減少約3.33×synaptic推論能耗。
Spiker-LL
Spiker-LL：在邊緣FPGA上以STSF實現低功耗可在地學習的脈衝神經網路加速器
邊緣裝置訓練常被高能耗與運算需求限制.Spiker-LL在FPGA上把Spiker+擴充為支援STSF局部學習的加速器.以同時發生的脈衝共現實作簡化STDP,並用DFA稀疏回饋產生調製訊號.在MNIST類資料呈現92–93%準確、子毫秒延遲與每次推論低於0.1mJ能耗,且免DSP可擴展。
深度分析
NESTformer：在神經形態晶片上實現彈性脈衝Transformer以降低邊緣手勢推論能耗
NESTformer 提出在脈衝神經網路（SNN）與轉換器架構中引入運行時彈性，使同一模型能在不同硬體資源與能耗限制下切換容量而無需重訓。作者在特徵擷取、脈衝自注意力與彈性 MLP 三大模組採用嵌套式權重共享與動態切片策略，並設計貼近神經形態硬體的行列式脈衝注意力運算，避免全域矩陣乘法。