A Highly Energy-Efficient Hyperdimensional Computing Processor for Biosignal Classification
总结
应用了已经提出的方法对 HDC 硬件的设计进行优化，包括 CA Vector folding，并且评估了不同参数对性能、功耗的影响。 应用：生物信号分类。
CA 实时生成超向量，替代了传统的存储内存，提高能效。 在最大吞吐量下，架构实现了10.7倍的改进，每个通道33.5倍。 还设计了一个优化的 SVM 作为对比，HDC在能量效率上比SVM高出9.5倍。
A Programmable Hyper-Dimensional Processor Architecture for Human-Centric IoT
可编程的 HDC 处理器 对 HDC 的操作进行了总结，本文采用 MAP
基准：用了多个例子，建立了 HDC 和传统 ML 算法的对比，在 CPU / GPU 上
- 结构：有一定扩展性 分析数据流： 两种核心模式： n-gram; feature superposition 主要成分： IM/Encode/ AM 根据数据流，设计了基本单元，然后构成层次
其他方法： 特征降维（feature reduction）或特征选择（feature selection）
A Robust and Energy-Efficient Classifier Using Brain-Inspired Hyperdimensional Computing
HDC 展示得与脑行为一致。它式高维、全息、伪随机的向量。高能效的计算容忍硬件故障。
方法：基于超维分类的硬件。超高准确率，略低于传统机器学习方法，只需一半的能量。此外可以容忍 8.8 倍的存储单元错误，保持高准确率。 应用：21种欧洲语言数据集 用于高维分类器，包括编码和相似性搜索两个主要模块。 总体算法没介绍
Accelerating Hyperdimensional Computing on FPGAs by Exploiting Computational Reuse
An Edge AI Accelerator Design Based on HDC Model for Real-time EEG-based Emotion Recognition System with RISC-V FPGA Platform
基于 HDC 用 FPGA RISCV 平台，设计的实时表情识别系统
- 算法集合了 BPF STFT HDC 等方法，完成 EEG 信号检测，有算法测试和硬件设计
- HDC AI加速器包括顶层控制器、数据存储、超向量映射、空间编码器、时间编码器、联想记忆和汉明距离计算。
其算法框架来源 A. Menon et al., ”A Highly Energy-Efficient Hyperdimensional Computing Processor for Biosignal Classification,”
数据集： SEEDKMU LOSOV 验证方法
EcoFlex-HDP: High-Speed and Low-Power and Programmable Hyperdimensional-Computing Platform with CPU Co-processing
提到了之后会做 CGRA 平台
Hardware Optimizations of Dense Binary Hyperdimensional Computing: Rematerialization of Hypervectors, Binarized Bundling, and Combinational Associative Memory
Revisiting HyperDimensional Learning for FPGA and Low-Power Architectures
EcoFlex-HDP: High-Speed and Low-Power and Programmable Hyperdimensional-Computing Platform with CPU Co-processing
本文有开源：EcoFlexHDP
项目框架
