Elastic Spiking Transformer consente il riconoscimento dei gesti adattivo in tempo di esecuzione

Una nuova architettura nota come Elastic Spiking Transformer è stata creata da ricercatori, progettata per reti neurali spike (SNN) in grado di adattare la larghezza del modello e le teste di attenzione durante l'inferenza senza necessità di riaddestramento. Ispirandosi all'apprendimento delle rappresentazioni in stile Matryoshka, questo modello incorpora elasticità annidata all'interno dei blocchi Feature Extractor, Spiking Self-Attention e Feed-Forward attraverso la condivisione dei pesi sensibile alla granularità. Questa innovazione consente a un singolo modello universale di bilanciare accuratezza ed efficienza su piattaforme neuromorfiche come Loihi e SpiNNaker, superando i limiti delle architetture SNN esistenti che si basano su parametri fissi e grafi computazionali. Il metodo mira a facilitare l'elaborazione energeticamente efficiente dei dati dei sensori basati su eventi per applicazioni sanitarie, incluso il riconoscimento dei gesti.