面向空间应用的生物启发式神经形态硬件容错

基于摘要分析。本文研究空间高能粒子引发的单比特与多比特翻转如何影响基于 FPGA 的神经形态系统，提出生物启发式低开销容错架构 NeuFT。其主要对象是 SNN 硬件的故障鲁棒性，而非 EEG 解码或 BCI 算法。 核心机制借鉴星形胶质细胞的闭环逆向反馈：先将 SNN 划分为多个突触岛，在每个岛中配置一个星形胶质细胞模块，并利用该岛神经元的脉冲序列训练模块以优化容错能力；随后通过实用控制器，将反馈作为漏积分发放神经元的偏置接入，以减少硬件设计改动。作者还介绍了用于分区、训练及硬件映射的软件，但摘要未提供软件公开状态、具体训练目标或控制器实现细节。 作者报告，在五个数据集上，针对不同位错误率及单比特、多比特翻转进行评估，相对于先进对照方法降低了容错开销，同时保持较高分类准确率。摘要未列出数据集名称、数据划分、故障注入位置与分布、对照方法及具体指标，因此无法量化性能收益或判断不同故障条件下的稳定性；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 的 SNN 推理部署于存在位翻转风险的 FPGA，该局部反馈机制可能用于提高硬件故障鲁棒性，但原研究结果不等于 EEG/BCI 有效性。可复用部分是突触岛分区与反馈偏置控制，需改造的是面向 EEG 脉冲编码和具体解码任务的训练与映射。低信噪比、跨被试变化及小数据可能使反馈训练不稳定，且硬件容错不能替代信号层面的域适应。一个可检验的小实验是在固定 EEG 解码模型与数据划分下，对同一 FPGA 映射实施相同位翻转注入，比较启用与关闭 NeuFT 时的 Accuracy、资源及延迟开销。已有 EEG 相关工作尚未检索确认。