Dec, 2019

基于首次发放时间的快速高效的神经形态深度学习

PDF
TL;DR本文介绍了如何使用第一个尖峰时间作为学习规则，在网络中实现误差反向传播，同时在 BrainScaleS-2 神经形态系统上验证了该框架。研究了该方法在其他神经形态平台上的性能表现。
neuronal implementationlearning rulespiking networksneuromorphic systemerror backpropagation
发现论文，激发创造
  • 神经形态算法硬件协同设计用于时间模式学习

    本文介绍了一种针对 Leaky Integrate and Fire 神经元的高效训练算法，该算法能够训练 SNN 学习复杂的时空模式，并且通过与硬件结合的方式，展示了神经元和突触基于忆阻器的网络实现的原理及优点。

    Apr, 2021

  • T2FSNN：基于时间第一次尖峰编码的深度脉冲神经网络

    本文提出了 T2FSNN，利用基于内核的动态阈值和树突将时间到第一个尖峰编码的概念引入深度 SNN 中，进一步提高其效率，优化后的方法可以将推理延迟和尖峰数分别降低到 22％和小于 1％。

    Mar, 2020

  • 提高前馈神经网络在脉冲神经形态芯片中的分类准确性

    使用新的二进制硬件跨棒学习算法实现深度神经网络在 TrueNorth 芯片上的部署，可在以前工作的基础上实现显著提高（76％与 86％准确度）同时保持良好的性能 MNIST 手写数据集。

    May, 2017

  • 基于卷积神经网络的快速、节能的神经形态计算

    本文介绍了一种基于突触剪枝和脉冲神经元结构的神经形态学计算机，其能够实现与深度神经网络相当的分类准确率，而且具有更高的能效和推理速度，在维持高吞吐量的同时能够达到节能的目的，并且使用反向传播算法进行指定和训练，使深度学习的算法能力与神经形态学处理器的效率相结合，从而更好地实现嵌入式人工智能的发展。

    Mar, 2016

  • 低功耗神经形态处理硬件

    本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面，以解决能效问题。

    Jan, 2019

  • 脉冲神经网络中的阿尔法突触函数时态编码：反向传播学习

    本文提出了一种具有生物特征的尖峰神经网络模型，采用相对时间编码方案，使用 BPROP 算法进行监督式训练，并在 MNIST 数据集等分类任务中成功地训练了网络，结果表明该网络具有编码单个神经元时间信息的高计算能力，在视觉决策任务中取得了与人类决策类似的准确性 - 速度的平衡，为实现更复杂的具有生物启示的神经网络架构提供了有效的构建块。

    Jul, 2019

  • 为神经形态硬件训练脉冲深度网络

    本文介绍了一种方法，该方法可以训练使用 Leaky Integrate-and-Fire（LIF）神经元的脉冲深度网络，并在包括大型 ImageNet ILSVRC-2012 基准测试在内的五个数据集上取得了最先进的结果。该方法可扩展，并适用于各种神经非线性。通过软化神经响应函数以使其导数保持有界，并通过噪声训练网络，我们实现了这些结果，以提高其承受由脉冲引入的变异性的鲁棒性。我们的分析表明，在神经形态硬件上实现这些网络将比传统硬件上等效的非脉冲网络更加节能。

    Nov, 2016

  • 神经形态硬件上的超低功耗图像分类

    基于时间编码的 ANN 到 SNN 转换方法 Quartz 在神经形态硬件上实现了高分类准确性，通过时间编码在功耗、吞吐量和延迟方面具有优势。

    Sep, 2023

  • 基于脉冲神经网络的贝叶斯连续学习

    本文提出了一种基于贝叶斯持续学习框架，以及在线学习规则用于进行神经形态工程，以实现能够适应变化学习任务的特性和风险管理，同时产生良好校准的不确定性估计的真正的神经形态系统的设计。

    Aug, 2022

  • Spiking-GAN：使用首次尖峰编码的脉冲生成对抗网络

    本文提出了一种使用时间编码和近似反向传播训练的基于脉冲神经网络的生成对抗网络，命名为 Spiking-GAN，实验证明其在 MNIST 数据集上生成高质量样本的潜力。

    Jun, 2021