A critical enabler for progress in neuromorphic computing research is the ability to transparently evaluate different neuromorphic solutions on important tasks and to compare them to state-of-the-art conventional solutions. The Intel Neuromorphic Deep Noise Suppression Challenge (Intel N-DNS Challenge), inspired by the Microsoft DNS Challenge, tackles a ubiquitous and commercially relevant task: real-time audio denoising. Audio denoising is likely to reap the benefits of neuromorphic computing due to its low-bandwidth, temporal nature and its relevance for low-power devices. The Intel N-DNS Challenge consists of two tracks: a simulation-based algorithmic track to encourage algorithmic innovation, and a neuromorphic hardware (Loihi 2) track to rigorously evaluate solutions. For both tracks, we specify an evaluation methodology based on energy, latency, and resource consumption in addition to output audio quality. We make the Intel N-DNS Challenge dataset scripts and evaluation code freely accessible, encourage community participation with monetary prizes, and release a neuromorphic baseline solution which shows promising audio quality, high power efficiency, and low resource consumption when compared to Microsoft NsNet2 and a proprietary Intel denoising model used in production. We hope the Intel N-DNS Challenge will hasten innovation in neuromorphic algorithms research, especially in the area of training tools and methods for real-time signal processing. We expect the winners of the challenge will demonstrate that for problems like audio denoising, significant gains in power and resources can be realized on neuromorphic devices available today compared to conventional state-of-the-art solutions.


翻译:神经形态计算研究的关键是能够在重要任务上透明地评估不同的神经形态解决方案, 并将它们与最先进的传统解决方案进行比较。受 Microsoft DNS 挑战的启发,英特尔神经形态深度噪声抑制挑战(Intel N-DNS)解决了一项普遍而商业相关的任务:实时音频去噪。由于音频去噪具有低带宽、时间性质以及对低功耗设备的相关性,因此它可能从神经形态计算中获得好处。英特尔 N-DNS 挑战包括两个赛道:一个基于仿真的算法赛道,以鼓励算法创新,和一个神经形态硬件(Loihi2)赛道,以严格评估解决方案。对于两个赛道,我们在输出音频质量之外指定了一个评估方法,该方法基于能量、延迟和资源消耗。我们免费提供英特尔 N-DNS 挑战数据集脚本和评估代码,鼓励社区参与并提供奖金,并发布一个神经形态基线解决方案,该解决方案在与 Microsoft NsNet2 和一种在生产中使用的专有英特尔去噪模型相比时显示出有前途的音频质量、高功率效率和低资源消耗。我们希望英特尔 N-DNS 挑战能够促进神经形态算法研究的创新,特别是在实时信号处理的训练工具和方法方面。我们预计,挑战的优胜者将证明,在像音频去噪这样的问题上,与传统的最先进解决方案相比,今天可用的神经形态设备上可以实现大幅提高功率和资源的收益。

0
下载
关闭预览

相关内容

英特尔公司是世界上最大的半导体公司,也是第一家推出x86架构处理器的公司,总部位于美国加利福尼亚州圣克拉拉。由罗伯特·诺伊斯、高登·摩尔、安迪·葛洛夫,以“集成电子”之名在1968年7月18日共同创办公司,将高级芯片设计能力与领导业界的制造能力结合在一起。 维基百科
【MIT博士论文】使用神经符号学习的鲁棒可靠智能系统
专知会员服务
38+阅读 · 2022年7月5日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
少数派 Prime 会员第二季来了!
少数派
0+阅读 · 2022年6月16日
OPPO Reno8 系列,双芯人像科技新品发布
ZEALER订阅号
0+阅读 · 2022年5月22日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【泡泡一分钟】在CPU上进行实时无监督单目深度估计
泡泡机器人SLAM
17+阅读 · 2019年5月10日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
1+阅读 · 2023年5月9日
Arxiv
0+阅读 · 2023年5月6日
VIP会员
相关资讯
少数派 Prime 会员第二季来了!
少数派
0+阅读 · 2022年6月16日
OPPO Reno8 系列,双芯人像科技新品发布
ZEALER订阅号
0+阅读 · 2022年5月22日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
【泡泡一分钟】在CPU上进行实时无监督单目深度估计
泡泡机器人SLAM
17+阅读 · 2019年5月10日
ICLR2019最佳论文出炉
专知
12+阅读 · 2019年5月6日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员