Leaky Integrate And Fire Neuron
PulseAugur coverage of Leaky Integrate And Fire Neuron — every cluster mentioning Leaky Integrate And Fire Neuron across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
神经元建模的两个历史谱系：深度学习 vs. 脉冲神经网络
从早期模拟神经元的尝试中出现了两条截然不同的历史研究路径。一条沿袭McCulloch-Pitts和感知器，侧重于逻辑、学习和静态表示，最终为现代深度学习铺平了道路。另一条路径则受到Lapicque和Leaky Integrate-and-Fire (LIF)模型的启发，优先考虑时间动态、阈值触发事件和生物物理现实，为脉冲神经网络奠定了基础。
-
磁性神经元实现有符号脉冲，可实现更丰富的AI数据处理
研究人员开发了一种使用磁隧道结（MTJ）的新型神经元，该神经元可以处理有符号信息，比标准脉冲神经元提供更丰富的 数据表示。这种基于MTJ的神经元模仿了有符号泄漏积分发放（LIF）模型的行为，能够生成双极脉冲。当集成到神经网络中时，该设计在CIFAR-10等图像识别任务上实现了高精度，与理想的有符号LIF神经元性能非常接近。
-
新框架使脉冲神经网络可用于大型语言模型
研究人员开发了一个新框架，使大型语言模型更能兼容神经形态硬件。该方法侧重于为Transformer中的非线性算子创建对脉冲友好的近似，这些算子通常对标准的脉冲神经元动力学具有挑战性。通过将这些非线性分解为重复的基本单元，并使用神经元群体的计算，该框架可以在最小的精度损失下近似Softmax和SiLU等常见非线性。
-
新的FiTS脉冲神经元模型增强了SNN的可解释性
研究人员推出了一种新颖的脉冲神经元模型FiTS，旨在增强脉冲神经网络（SNN）的可解释性。FiTS通过将时间计算分离为频率选择性（FS）和时间整形（TS）模块来实现这一点。FS模块识别神经元的最优频率，而TS模块则调节频率分量如何影响膜电压累积。与标准的LIF神经元相比，该方法在听觉基准测试中表现出更高的性能，并为网络学习到的时间和频率组织提供了更清晰的见解。
-
神经形态电路利用ECRAM动力学实现短期可塑性
研究人员开发了一种新的神经形态电路架构，该架构利用电化学随机存取存储器（ECRAM）器件固有的非平衡动力学来实现短期可塑性（STP）。该协同设计框架将ECRAM突触与延迟反馈的泄漏积分放电神经元相结合，能够通过瞬态电导调制直接影响神经元兴奋性和突触效能。模拟表明，这种方法可以以低能耗实现STP行为，并为脉冲神经网络实现可调谐的时间滤波。
-
研究人员开发 BadSNN，利用脉冲神经元超参数进行后门攻击
研究人员开发了“BadSNN”，一种针对脉冲神经网络（SNN）的新型后门攻击。该攻击利用脉冲神经元超参数（如 Leaky Integrate-and-Fire 模型）的变异来引入恶意行为。BadSNN 在不同的数据集和架构上表现出强大的性能，优于现有的数据投毒攻击，并对常见的缓解策略表现出韧性。