PulseAugur
中
实时 04:23:57
English(EN) Neuromorphic Energy-Aware Learning for Adaptive Deep Brain Stimulation

神经形态学习将脑深部电刺激能耗降低 80%

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种用于自适应脑深部电刺激 (DBS) 的节能学习方法，以治疗帕金森病。该方法将执行器的能耗直接纳入强化学习奖励中，从而优化了刺激能耗和推理效率。在电路模型上训练的深度脉冲 Q 网络在与连续 DBS 相比，在减少病理性振荡方面实现了 45.2% 的降低，同时将刺激电荷降低了 80.0%。该策略被压缩到 SynSense XyloAudio 3 神经形态处理器上，实现了比传统硬件显著更低的能耗。 AI

影响 这项研究可能为神经系统疾病带来更节能、更有效的神经调控设备。

排序理由 该集群包含一篇详细介绍新研究方法和实验结果的学术论文。

在 arXiv cs.NE (Neural & Evolutionary) 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

神经形态学习将脑深部电刺激能耗降低 80%

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Binh Nguyen, Colleen Josephson, Mircea Teodorescu, Gert Cauwenberghs, Jason Eshraghian ·

    用于自适应脑深部电刺激的神经形态节能学习

    arXiv:2606.28600v1 Announce Type: cross Abstract: Neuromorphic and edge computing research has focused on reducing the inference cost of neural network controllers, yet in physical closed-loop systems the actuator can rival or exceed an efficient controller in energy. An efficien…

  2. arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Jason Eshraghian ·

    自适应脑深部电刺激的神经形态节能学习

    Neuromorphic and edge computing research has focused on reducing the inference cost of neural network controllers, yet in physical closed-loop systems the actuator can rival or exceed an efficient controller in energy. An efficient controller is therefore necessary but not suffic…

相关实体

相关话题