Apr, 2024

透过刺激时序在体外神经网络上的信息编码与解码

PDF
TL;DR通过研究刺激时间作为一种编码方法，本研究探讨了在输入和解码数据时寻找合适的编码和解码方案的主要挑战，并确定了产生线性可分离脉冲响应的刺激时机的界限和敏锐度。同时，我们还研究了线性解码器的最佳读取参数，包括时期长度、时间间隔和时期偏移量，并发现 36 至 436 毫秒之间的刺激时机可能是最佳的编码方法，并且在触发的脉冲响应的不同部分可能存在不同的最佳读取参数组合。
in-vitro biological neural networksencodingdecodingstimulation timingreadout parameters
发现论文，激发创造
  • 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

  • C3S 微体系结构增强：Spike 编码器块和松弛伽马时钟（异步）

    本研究以 Temporal Neural Network 皮層柱 C3S 架構設計為基礎，提出了二進位轉脈衝編碼器與 Gamma 週期控制器的詳細設計，評估了最佳設計參數和整體系統增益與性能，以期貢獻於神經形態計算機架構的進一步改進。

    Jun, 2023

  • 时间、相关性和速率编码研究的统一方法

    本文提出了一种方法，将群体神经元的尖峰发生时间的信息分解成一系列项，每一项都反映了潜在编码机制，并为同时记录多个神经元的分析提供了理论约束。

    Aug, 1999

  • 适应时间：自然为何演化出多样的神经元

    通过改变丰富的时间参数，如时间常数和延迟，我们展示了网络在处理具有时间结构的任务时更加轻松和稳健的能力，并且在处理输入和权重中的噪声时，调整时间参数的优势将在神经形态学硬件设计中发挥作用。

    Apr, 2024

  • 脉冲神经网络中的传播延迟学习

    本文探索了一种新的局部学习规则，该规则适用于脉冲神经网络，其中脉冲传播时间会发生经验依存性的可塑性更改，通过实现分类精度的提高和记忆能力的扩展，证明了该方法的潜力。

    Oct, 2022

  • 轴突延迟作为前馈深度脉冲神经网络的短期记忆

    本文提出了一种短时记忆 / 修正轴突延迟模块用于调节脉冲发放的时间，实现神经元轴突传输的时序信息，并在三个神经视觉公开数据集上进行验证实现。

    Apr, 2022

  • 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

  • 深度神经网络与脑部对齐：脑编码与解码（调研）

    研究通过功能性磁共振成像对大脑的记录，分析了编码模型和解码模型的应用，尤其关注深度学习算法的效果、好处和限制，并总结了神经科学数据集的代表性研究。

    Jul, 2023

  • 视觉假体深层刺激编码的人机协同优化

    通过深度学习模型优化电刺激编码策略并结合贝叶斯优化，提高视觉前沿技术在神经假肢领域中的个性化感知效果。

    Jun, 2023

  • 一种支持新兴神经编码的资源高效脉冲神经网络加速器

    该研究提出了一种新型硬件体系结构，可支持具有新型神经编码的 SNN，并在 FPGA 上对 VGG 神经网络模型进行了部署，从而实现了 25％的功耗和 90％的延迟改善。

    Jun, 2022